
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.creator | Ramires, Thiago G. | - |
| Autor(es): dc.creator | Nakamura, Luiz R. | - |
| Autor(es): dc.creator | Righetto, Ana J. | - |
| Autor(es): dc.creator | Konrath, Andréa C. | - |
| Autor(es): dc.creator | Pereira, Carlos A. B. | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:29:36Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:29:36Z | - |
| Data de envio: dc.date.issued | 2022-07-20 | - |
| Data de envio: dc.date.issued | 2022-07-20 | - |
| Data de envio: dc.date.issued | 2020 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/50665 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1141851 | - |
| Descrição: dc.description | A method for statistical analysis of multimodal and/or highly distorted data is presented. The new methodology combines different clustering methods with the GAMLSS (generalized additive models for location, scale, and shape) framework, and is therefore called c-GAMLSS, for “clustering GAMLSS. ” In this new extended structure, a latent variable (cluster) is created to explain the response-variable (target). Any and all parameters of the distribution for the response variable can also be modeled by functions of the new covariate added to other available resources (features). The method of selecting resources to be used is carried out in stages, a step-based method. A simulation study considering multiple scenarios is presented to compare the c-GAMLSS method with existing Gaussian mixture models. We show by means of four different data applications that in cases where other authentic explanatory variables are or are not available, the c-GAMLSS structure outperforms mixture models, some recently developed complex distributions, cluster-weighted models, and a mixture-of-experts model. Even though we use simple distributions in our examples, other more sophisticated distributions can be used to explain the response variable. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | MDPI | - |
| Direitos: dc.rights | Attribution 4.0 International | - |
| Direitos: dc.rights | Attribution 4.0 International | - |
| Direitos: dc.rights | acesso aberto | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
| ???dc.source???: dc.source | Stats | - |
| Palavras-chave: dc.subject | Bimodal distributions | - |
| Palavras-chave: dc.subject | Mixture models | - |
| Palavras-chave: dc.subject | Regression models | - |
| Palavras-chave: dc.subject | Statistical learning | - |
| Palavras-chave: dc.subject | Distribuições bimodais | - |
| Palavras-chave: dc.subject | Modelos mistos | - |
| Palavras-chave: dc.subject | Modelos de regressão | - |
| Palavras-chave: dc.subject | Aprendizado estatístico | - |
| Título: dc.title | Incorporating clustering techniques into GAMLSS | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: