Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Yaginuma, Karina Yuriko | - |
Autor(es): dc.contributor | Yaginuma, Karina Yuriko | - |
Autor(es): dc.contributor | Pinto, Douglas Rodrigues | - |
Autor(es): dc.contributor | Capistrano, Estelina Serrano de Marins | - |
Autor(es): dc.creator | Passos, Luiz Fernando Coelho | - |
Data de aceite: dc.date.accessioned | 2024-07-11T17:47:52Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T17:47:52Z | - |
Data de envio: dc.date.issued | 2023-03-28 | - |
Data de envio: dc.date.issued | 2023-03-28 | - |
Data de envio: dc.date.issued | 2021 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/28391 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/757694 | - |
Descrição: dc.description | O presente trabalho tem como proposta analisar o comportamento dos métodos de regularização de Ridge e LASSO. A Regressão Linear é um dos modelos mais utilizado no aprendizado de máquinas, porém quando o modelo possui muitas variáveis pode causar subajuste ou sobreajuste, gerando predições ruins. Uma solução para este problema é considerar os métodos de regularização que aplicam uma penalização sobre os parâmetros do modelo, minimizando a importância de variáveis menos relevantes, diminuindo a complexidade e garantindo que o modelo seja generalizável. Dois dos métodos de regularização mais utilizados são a regressão de Ridge, que inclui todos os preditores no modelo final, e a regressão de LASSO que, além de penalizar os parâmetros, realiza seleção de variáveis, ou seja, pode zerar as estimativas de alguns parâmetros. Por fim, realizou-se um estudo prático a partir de três bases de dados distintas, aplicando os métodos de Ridge e LASSO com auxílio do pacote tidymodels na linguagem de programação R. Em suma, Ridge e LASSO são dois poderosos métodos para modelagem de dados, entretanto, na análise prática, LASSO obteve melhores resultados em todos os casos. | - |
Descrição: dc.description | 49 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Métodos de regularização | - |
Palavras-chave: dc.subject | Ridge | - |
Palavras-chave: dc.subject | LASSO | - |
Palavras-chave: dc.subject | Regressão linear múltipla | - |
Palavras-chave: dc.subject | Método estatístico | - |
Palavras-chave: dc.subject | Linguagem de programação de computador | - |
Título: dc.title | Métodos de regularização no aprendizado de Máquinas: Ridge e LASSO | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: