Show simple item record

dc.contributor.authorOzelame, Camila Sgarioni
dc.date.accessioned2021-06-09T21:42:22Z
dc.date.available2021-06-09T21:42:22Z
dc.date.issued2021-04-05
dc.identifier.citationOZELAME, Camila Sgarioni. Redes Bayesianas para classificação com aprendizado via scoring and restrict: método, aplicação e comparação com métodos tradicionais. 2021. Dissertação (Mestrado em Ciências Fisiológicas) – Universidade Federal de São Carlos, São Carlos, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/14361.*
dc.identifier.urihttps://repositorio.ufscar.br/handle/ufscar/14361
dc.description.abstractThis work is an investigation towards the behavior of discrete Bayesian Networks (BN) which aims to solve classification problems. This methodology is based on graphs and probability theories, and it is defined to be a probabilistic graphical model that allows the relationship visualization among (random) variables and, in general, simplifies the understanding of complex domains. To understand their performance, some classifiers were selected to be compared, such as Naïve Bayes (NB), Tree Augmented Naïve Bayes (TAN), K-Dependence Bayesian Network (KDB), Bayesian Network Augmented Naïve Bayes (BAN), and Averaged One-Dependence Estimator (AODE). In general, the performance of the ensemble classifier AODE outperforms the others. In addition, a hybrid method for structure estimation is proposed and it aims the parsimonious classification. The simulation studies show the new method fits the expectation of increase the prediction performance also, balance the number of connections among variables and, the applications in real datasets support the better understanding of the new approach. Finally, a combination of the classifiers via stacking was presented and it indicated an increase in their performances when they were compared to the methods themselves.eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)por
dc.language.isoporpor
dc.publisherUniversidade Federal de São Carlospor
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectClassificadorespor
dc.subjectRedes Bayesianaspor
dc.subjectEstimação de estruturapor
dc.subjectComparaçãopor
dc.subjectStackingeng
dc.subjectClassifierseng
dc.subjectBayesian networkseng
dc.subjectStructure estimationeng
dc.subjectComparisoneng
dc.titleRedes Bayesianas para classificação com aprendizado via scoring and restrict: método, aplicação e comparação com métodos tradicionaispor
dc.title.alternativeBayesian networks for classification with learning via scoring and restrict: method, application and comparison with traditional methodseng
dc.typeDissertaçãopor
dc.contributor.advisor1Louzada, Francisco
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0994050156415890por
dc.description.resumoEste trabalho é uma investigação sobre o comportamento das Redes Bayesianas (RB) discretas que visam resolver problemas de classificação. Esta metodologia é baseada em teorias dos grafos e de probabilidade, sendo as RBs definidas como um modelo gráfico probabilístico que permite visualizar as relações entre as variáveis consideradas aleatórias e, em geral, simplifica o entendimento de domínios complexos. Com o intuito de compreender seu desempenho, foram selecionados os classificadores Naïve Bayes (NB), o Tree Augmented Naïve Bayes (TAN), o K-Dependence Bayesian Network (KDB), o Bayesian Network Augmented Naïve Bayes (BAN), o General Bayesian Network (GBN) e o Averaged One-Dependence Estimator (AODE) para serem comparados. Desse modo, o AODE, um classificador combinado, apresenta a melhor performance preditiva em relação aos demais. Aliado a isso, foi proposta uma metodologia híbrida de estimação de rede, que tem como principal objetivo a classificação de maneira mais parcimoniosa. Os estudos de simulação conduzidos apontam que o novo método atende às expectativas de acréscimo na capacidade preditiva e indicam a redução da complexidade das relações entre as variáveis. Além disso, as aplicações em bases de dados reais auxiliam a melhor compreensão em torno da nova abordagem. Por fim, foi avaliada uma combinação entre os classificadores apresentados por meio do stacking, que sinalizou aumento na capacidade preditiva em relação aos classificadores analisados individualmente.por
dc.publisher.initialsUFSCarpor
dc.publisher.programPrograma Interinstitucional de Pós-Graduação em Ciências Fisiológicas - PIPGCFpor
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICApor
dc.description.sponsorshipIdCAPES: 88882.426981/2019-01por
dc.publisher.addressCâmpus São Carlospor
dc.contributor.authorlatteshttp://lattes.cnpq.br/7872176095436685por


Files in this item

Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 Brazil
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 Brazil