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

Documentos 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