Estimação não parametrica aplicada a problemas de classificação via Bagging e Boosting
AUTOR(ES)
Alexandre Rubesam
DATA DE PUBLICAÇÃO
2004
RESUMO
Alguns dos métodos mais modernos e bem sucedidos de classificação são bagging, boosting e SVM (Support Vector M achines ). B agging funciona combinando classificadores ajustados em amostras bootstrap dos dados; boosting funciona aplicando-se seqüencialmente um algoritmo de classificação a versões reponderadas do conjunto de dados de treinamento, dando maior peso às observações classificadas erroneamente no passo anterior, e SVM é um método que transforma os dados originais de maneira não linear para um espaço de dimensão maior, e procura um hiperplano separador neste espaço transformado. N este trabalho estudamos os métodos descritos acima, e propusemos dois métodos de classificação, um baseado em regressão não paramétrica por Hsplines (também proposto aqui) e boosting, e outro que é uma modificação de um algoritmo de boosting baseado no algoritmo MARS. Os métodos foram aplicados em dados simulados e em dados reais
ASSUNTO(S)
reconhecimento de padrões - metodos estatisticos estatistica - classificação estatistica não parametrica
ACESSO AO ARTIGO
http://libdigi.unicamp.br/document/?code=vtls000316781Documentos Relacionados
- Estimação não-paramétrica e semi-paramétrica de fronteiras de produção
- Estimação paramétrica e não-paramétrica em modelos de markov ocultos
- 4 - Estimação não paramétrica
- Modelos de classificação de risco de crédito para financiamentos imobiliários: regressão logística, análise discriminante, árvores de decisão, bagging e boosting
- Desconvolução não-parametrica aplicada a modelos de volatilidade estocastica