Avaliação do particionamento recursivo baseado em Modelo para Predição

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorTaconeli, Cesar Augusto, 1980--
Autor(es): dc.contributorUniversidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data-
Autor(es): dc.creatorCardoso, Gabriel Martelosso-
Data de aceite: dc.date.accessioned2025-09-01T12:53:40Z-
Data de disponibilização: dc.date.available2025-09-01T12:53:40Z-
Data de envio: dc.date.issued2024-10-21-
Data de envio: dc.date.issued2024-10-21-
Data de envio: dc.date.issued2023-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/1884/90357-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/1884/90357-
Descrição: dc.descriptionOrientador: Prof. Cesar Augusto Taconeli-
Descrição: dc.descriptionMonografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science e Big Data-
Descrição: dc.descriptionInclui referências-
Descrição: dc.descriptionResumo: Este trabalho investiga a eficácia do método de particionamento recursivo baseado em modelo (MOB) e sua expansão através de florestas aleatórias (MOB-RF) enquanto modelos preditivos. Avaliamos esses métodos em duas bases de dados distintas: Incidência de Diabetes (classificação) e Boston Housing (regressão). Os resultados indicam que MOB e MOB-RF são altamente eficazes, apresentando desempenho competitivo em várias métricas-chave. A análise também sugere que a adição da estrutura de random forest contribui fortemente na robustez do modelo.-
Descrição: dc.descriptionAbstract: This study investigates the effectiveness of the Model-Based Recursive Partitioning (MOB) method and its extension through Random Forests (MOB-RF) as predictive models. We evaluate these methods on two distinct datasets: Diabetes Incidence (classification) and Boston Housing (regression). The results indicate that MOB andMOB-RF are highly effective, showing competitive performance across various key metrics. The analysis also suggests that the incorporation of the random forest structure significantly enhances the model’s robustness.-
Formato: dc.format1 recurso online : PDF.-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Palavras-chave: dc.subjectParticionamento-
Palavras-chave: dc.subjectAnálise preditiva-
Palavras-chave: dc.subjectDiabetes-
Título: dc.titleAvaliação do particionamento recursivo baseado em Modelo para Predição-
Aparece nas coleções:Repositório Institucional - Rede Paraná Acervo

Não existem arquivos associados a este item.