Aprendizagem de Máquina
|
|
- Maria das Dores Gentil
- 5 Há anos
- Visualizações:
Transcrição
1 Aprendzagem de Máquna Aprendzado baseado em nstâncas Aprendzado não-paramétrco Quando as suposções fetas por métodos paramétrcos não são váldas para todo o espaço de entrada, provocando erros predtvos grandes, podemos usar métodos que fazem suposções locas, que não assumem a pror uma forma paramétrca para as dstrbuções, os chamados métodos não-paramétrcos. De uma forma geral, um modelo não-paramétrco não é fxo e sua complexdade depende do tamanho do arquvo de trenamento, mas também da complexdade do problema relaconado aos dados. Em aprendzagem de máquna, métodos não-paramétrcos são chamados de algortmos de aprendzagem baseados em nstânca, ou em memóra, pos eles armazenam as nstâncas de trenamento e generalzam por nterpolação a partr das nstâncas mas smlares ao dado de teste. O armazenamento das nstâncas de trenamento requer memóra de O(N) e computação de O(N) para encontrar as nstâncas mas smlares a uma entrada. Métodos paramétrcos tem um número pequeno de parâmetros, da ordem da dmensonaldade dos dados, O(d) ou O(d ), e uma vez austados, eles não precsam mas dos dados de trenamento para calcular a saída. A maor necessdade de memóra e computação é a desvantagem dos métodos não-paramétrcos.
2 3 Aprendzado baseado em nstâncas Métodos de aprendzado baseado em nstâncas não constróem modelos globas, a partr de um conunto de dados, mas utlzam apenas nformação local para nduzr o valor da função de saída deseada. A nformação local é determnada dnamcamente para um certo dado de entrada (consulta) a partr de um subconunto dos dados de trenamento que estabelecem a sua vznhança. Assm, a função alvo é estmada localmente, para cada nova nstânca a ser classfcada. A vznhança pode ser determnada a partr de cálculos de dstânca entre atrbutos descrtores, ou podem ser utlzados métodos smbólcos de descrção dos casos. 4 Representação baseada em nstâncas Forma mas smples de aprendzado: memorzar Dentre os exemplos de trenamento se busca aquele que é mas smlar à nova amostra apresentada Os própros exemplos representam o conhecmento Também chamado de aprendzado baseado em casos Função de smlardade defne o que é aprenddo Aprendzado baseado em casos é aprendzagem preguçosa: ada os cálculos até o momento da consulta Métodos: vznho mas próxmo, k vznhos mas próxmos,...
3 5 A função de dstânca Caso mas smples : um atrbuto numérco Dstânca é a dferença entre os dos valores de atrbuto envolvdos (ou, alternatvamente, uma outra função) Város atrbutos numércos: normalmente, dstânca eucldana é usada e os atrbutos são normalzados Atrbutos nomnas: dstânca é defnda como 1 se os valores são dferentes, ou 0 se eles são guas Todos os atrbutos são gualmente mportantes? Pode ser necessáro ponderar os atrbutos 6 Aprendendo protótpos Só precsam ser armazenados os exemplos envolvdos numa decsão Exemplos rudosos devem ser retrados Idéa: usar apenas exemplos protótpos
4 7 Algortmo k-nn O algortmo dos k vznhos mas próxmos (k-nn) é usado para estmar o valor de uma função alvo num determnado ponto do espaço de característcas (correspondente à posção da amostra consultada), a partr do valor desta função nos k pontos mas próxmos da amostra consultada. A função alvo pode ser dscreta (correspondente a um modelo de classfcação, por exemplo), ou contínua (correspondendo a um modelo de regressão). O algortmo k-nn não forma uma hpótese geral explícta para a função alvo, ele apenas calcula a classfcação (ou valor da função contínua) para uma amostra específca consultada. O valor da função é estmado no momento da consulta. 8 Algortmo dos k vznhos mas próxmos k-nn Assume que as amostras correspondam a pontos no espaço de característcas R n Os vznhos mas próxmos (NN nearest neghbors) de uma amostra são defndos em termos da dstânca eucldana. Dada uma amostra x descrta por um vetor de característcas <a 1 (, a (,..., a n (> onde a r ( representa o valor do r-ésmo atrbuto da amostra x. A dstânca de duas amostras x e x é defnda como d(x, x ): d( x, x ) n ar ( ar ( x ) r1
5 9 Algortmo k-nn para valores dscretos Consdere a função dscreta (por ex., classfcação) f: R n V, com V = {v 1,..., v s } (rótulos de classe) Trenamento: Para cada exemplo de trenamento <x, f(>, acrescente o exemplo à lsta exemplos_trenamento. Classfcação Dada uma amostra de consulta x q para ser classfcada, sendo x 1... x k os k exemplos de trenamento mas próxmos a x q, Retornar f ˆ ( x q ) arg max vv 1 onde (a, b) = 1 se a = b, ou (a, b) = 0, caso contráro k v, f ( x ) 10 Exemplo do algortmo k-nn para valores dscretos x q O algortmo 1-NN classfca x q como postvo O algortmo 5-NN classfca x q como negatvo
6 11 Superfíce de decsão nduzda pelo algortmo 1-NN Dagrama de Vorono: poledros convexos em torno dos exemplos de trenamento 1 Algortmo k-nn para função alvo de valor contínuo O aprendzado de uma função contínua é feto de forma análoga ao caso de função dscreta. O algortmo calcula a méda dos valores da função para os k exemplos de trenamento mas próxmos. Para aproxmar uma função alvo de valor real f: R n R, substtuímos a últma lnha do algortmo k-nn dscreto por: fˆ( x q k f ( x ) ) 1 k
7 13 Algortmo k-nn ponderado dscreto Pode-se ponderar a contrbução de cada um dos k vznhos de acordo com a sua dstânca à amostra consultada. Quanto mas próxmo o vznho, maor o peso atrbuído a ele. Pode-se ponderar o voto de cada vznho de acordo com o nverso do quadrado da sua dstânca a x q ; substtundo a estmação (para valor dscreto) por: onde f ˆ ( x q ) arg max vv k 1 q w v, 1 w d( x, x ) f ( x ) 14 Algortmo k-nn ponderado contínuo Podemos também ponderar pela dstânca os exemplos para funções alvo de valor real, substtundo a fórmula da estmação do valor por: fˆ( x q ) k 1 w f ( x ) k 1 w onde w 1 d( x, x q )
8 15 Ponderação de atrbutos para o algortmo k-nn Dferentemente de outros métodos, como árvores de decsão e regras de produção, o algortmo dos k vznhos mas próxmos leva em consderação todos os atrbutos dos exemplos para calcular as dstâncas. Isto pode não ser nteressante quando, por ex., de 0 atrbutos, apenas são relevantes para determnar a classfcação. Assm, duas amostras com os valores relevantes concdentes podem, apesar dsso, fcar dstantes entre s no espaço de 0 dmensões, levando a erros de classfcação. A solução usual para sso é atrbur pesos dferentes para cada atrbuto, no momento do cálculo da dstânca. A determnação dos pesos pode ser obtda por métodos como cross-valdaton e árvores de decsão. 16 Cálculo da dstânca ponderada A ponderação dos atrbutos é equvalente a escalar os exos de cada atrbuto correspondentemente à sua mportânca relatva para a estmação da função deseada. A dstânca de duas amostras x e x, levando em consderação pesos dferentes para cada atrbuto, é defnda como d(x, x ): d( x, x ) n r1 w r a r ( x ) a r ( x ) onde w r é o peso do r-ésmo atrbuto de uma amostra.
9 17 Algortmos no Weka Métodos de classfcação Lazy IB1 Classfcador pelo vznho mas próxmo Usa dstânca eucldana para encontrar a nstânca mas próxma à nstânca testada e predz a mesma classe que a nstânca de trenamento. Se váras nstâncas tverem a mesma menor dstânca, escolhe a prmera. IBk Classfcador pelos k vznhos mas próxmos Normalza atrbutos (default, mas pode ser desabltado) Pode seleconar o valor de k por CV (leave-one-out) ou permte a escolha de k CV: utlza erro médo absoluto (default) ou erro médo quadrado Pode ponderar a escolha levando em consderação as dstâncas 18 Estmador de densdade por k-nn Os estmadores de densdade por k-nn realzam uma aproxmação local da densdade de probabldade dos dados, p(, em torno de uma nstânca de teste x. Neste caso, a densdade em x, p(, é estmada pelo volume ocupado pelos k vznhos mas próxmos de x, ou sea: k p( NV onde N é o número total de nstâncas e V é o volume (da esfera) que contém os k vznhos mas próxmos a x. O volume V é aproxmado a partr da dstânca entre x e o seu k-ésmo vznho: k pˆ( Nd k ( com: d 1 ( mn t x x t e sucessvamente: d ( 1 mn x x
10 19 Estmador de densdade por k-nn Regressão não paramétrca Na regressão não paramétrca, não se assume conhecmento a pror sobre a forma da função que se quer estmar. A função é estmada usando uma equação contendo parâmetros lvres mas numa forma que permte ao modelo representar uma classe muto ampla de funções. Tpcamente a regressão não paramétrca envolve um grande número de parâmetros sem sgnfcado físco em relação ao problema. As redes neuras, e partcularmente as redes de função de base radal (RBF) são modelos não paramétrcos e seus pesos não têm um sgnfcado partcular em relação aos problemas aos quas elas estão sendo aplcadas. Neste caso, o obetvo prncpal não é estmar os valores dos parâmetros (pesos) e sm estmar a função subacente, ou no mínmo as suas saídas para certos valores deseados de entrada. A rede RBF mplementa uma combnação lnear de funções de base radas, elas mesmo não lneares: N h( = w ( =1 0
11 Topologa da Rede RBF A rede RBF típca tem uma camada de entrada para dstrbur o snal de entrada, uma camada oculta, composta de nós de funções radas, e uma camada de saída com um nó lnear. x 1 x 1 ( ( w +1 w 1 w N w 0 h( N h( = w ( =0 x p N ( Tpcamente, numa rede RBF, a forma das funções de base é escolhda a pror, de modo que ela tenha um comportamento adequado ao problema de regressão: a sua resposta deve decrescer (ou crescer) monotonamente com a dstânca em relação a um ponto central. O problema consste então em localzar os centros e outros parâmetros das funções de base e austar os pesos em relação ao arquvo de trenamento. 1 Funções Radas As funções radas são uma classe especal de funções. A sua característca prncpal é que sua resposta dmnu (ou aumenta) monotonamente com a dstânca de um ponto central. O centro, a escala de dstânca e a forma da função radal são parâmetros do modelo. Uma função radal típca é a gaussana, que no caso esférco tem a forma: exp[ (x c ) ( = ] onde c corresponde ao centro da função e controla a suavdade da nterpolação.
12 Gaussana multvarada A função radal gaussana pode ser generalzada para permtr matrzes de covarâncas arbtráras. 1 T 1 ( exp ( x μ ) ( x μ ) Funconamento da rede A rede RBF é proetada para realzar um mapeamento não lnear do espaço de entrada para o espaço oculto, segudo de um mapeamento lnear do espaço oculto para o espaço de saída. Consderando que a rede tenha p entradas, N undades ocultas e uma saída, podemos pensar que a rede represente um mapeamento s de um espaço p para um espaço undmensonal: s: R p R 1 O mapeamento s representa uma hper-superfíce (gráfco) R p+1 A rede opera em duas fases: trenamento e generalzação: Fase de trenamento: procedmento de auste otmzado da superfíce, de mapeamento da entrada para a saída, baseado nos pontos de dados apresentados à rede na forma de exemplos de padrões entrada-saída. Fase de generalzação: nterpolação entre dados, sendo realzada ao longo da superfíce gerada pelo processo de auste. 4
13 O Problema de Interpolação exata Os métodos de funções de base radas têm orgem em técncas para realzar nterpolação exata de um conunto de dados num espaço multdmensonal. O problema da nterpolação exata requer que cada vetor de entrada sea mapeado exatamente para o seu vetor de saída correspondente. Consdere um mapeamento do espaço de entrada x de dmensão d para um espaço de saída t undmensonal. O conunto de dados consste de N vetores de entrada x n, com os seus alvos t n. O obetvo é encontrar uma função h( tal que h(x n ) = t n, n = 1,..., N A abordagem RBF para nterpolação exata ntroduz um conunto de N funções de base, uma para cada dado, da forma ( x x n ), onde (.) é uma função não lnear. A saída do mapeamento é uma combnação lnear das funções de base: h( x x n w n n 5 Solução do problema de nterpolação exata A condção de nterpolação, h(x n ) = t n, pode ser então escrta na forma matrcal: w = t onde t (t n ), w (w n ) e a matrz quadrada tem elementos nn = ( x n x n ) N x x x x x x 1 N x x x x x x w w 1 t t N 1 N N N N x x x x x x wn t 1 Desde que exsta a matrz nversa 1, pode-se resolver para w: w = 1 t Pode-se mostrar que para uma ampla classe de funções (.), a matrz é nãosngular, desde que os pontos de dados seam dstntos. A função h( resultante é uma superfíce contínua dferencável passando pelos dados. 6
14 Interpolação exata A nterpolação passando exatamente por todos os pontos do arquvo de dados tende a gerar uma função de nterpolação osclatóra para dados rudosos. No MATLAB, a função newrbe(x,d,spread) gera uma rede RBF com um neurôno para cada vetor de entrada, com uma largura das funções de base determnada por spread. RBF: 31 neurônos 7 RBF ncremental No MATLAB, a função newrb(x,d,goal,spread) gera uma rede RBF de manera ncremental, acrescentando um neurôno por vez, até que o erro da rede satsfaça o EMQ dado por goal. RBF fnal: 4 neurônos 8
15 A Rede GRNN Generalzed Regresson Network A rede GRNN (do MATLAB), é uma alternatva à rede RBF exata, onde a camada oculta se conecta à de saída por meo de pesos de valor gual aos valores deseados: w = t x 1 1 ( 1 w 1 x ( w y w x p N ( N N O valor de saída é dado pela méda ponderada das atvações ntermedáras. A rede responde com a méda ponderada dos vetores alvo mas próxmos ao vetor de entrada: y w 9 Interpolação por GRNN A nterpolação por GRNN tende a ser mas suave. No MATLAB, a função newgrnn(x,d,spread) gera uma rede GRNN com um neurôno para cada vetor de entrada, com uma largura das funções de base determnada por spread. 30
16 Estratégas de Aprendzado 1. Seleção das funções radas: 1.1 Assumr M funções fxas gaussanas esfércas, centradas em pontos c escolhdos aleatoramente do arquvo de trenamento. Sendo d a dstânca máxma entre os centros, cada gaussana terá a forma: M(xc ) ( = exp ( ) d Com sso, o desvo padrão de todas as gaussanas é dado por: d = M 1. Os centros podem ser escolhdos por clusterzação dos vetores de trenamento.. Cálculo dos pesos:.1 Inversão da matrz de nterpolação;. Aplcação do algortmo LMS como regra de correção do erro na saída da rede Locally Weghted Regresson Generalza a abordagem NN, construndo uma aproxmação da função alvo f(, na vznhança de x q. fˆ( w0 w1a 1( wnan ( a ( representa o -ésmo atrbuto da nstânca x. Os coefcentes w 0... w n são determnados por auste desta função lnear a um conunto de trenamento, mnmzando o erro quadrátco sobre os k vznhos mas próxmos: E( x ) q 1 f ( fˆ( xk NN O que leva à regra da descda do gradente: f ( fˆ( w a ( xk NN onde é uma taxa de aprendzado constante.
17 33 Locally Weghted Regresson Uma função de custo alternatva consdera cada exemplo de trenamento ponderado por uma função K decrescente com a dstânca de x q : xk NN f ( fˆ( Kd x x 1 E ( xq ) q, O que leva à regra da descda do gradente modfcada: xk NN d x, x f ( fˆ( w K a ( q 34 Estmador de densdade por núcleo Os estmadores de densdade por núcleo aproxmam p( a partr de N funções de núcleo, cada qual representando o volume de nfluênca de cada nstânca de trenamento. O volume de nfluênca de cada nstânca é austado por um parâmetro de suavzação (smoothng parameter). O estmador de Parzen utlza gaussanas centradas em cada nstânca de trenamento como funções de núcleo p( 1 N N n1 1 h exp x x 1 h n onde h representa o desvo padrão da gaussana, correspondendo ao parâmetro de suavzação.
18 35 Estmador de densdade por núcleo
Aprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia mais3 Animação de fluidos com SPH
3 Anmação de fludos com SPH O SPH (Smoothed Partcle Hydrodynamcs) é um método Lagrangeano baseado em partículas, proposto orgnalmente para smulação de problemas astrofíscos por Gngold e Monaghan (1977)
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisINF 1771 Inteligência Artificial
INF 77 Intelgênca Artfcal Aula 8 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de decsão. K-Nearest Neghbor (KNN). Support Vector Machnes (SVM).
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neuras (Intelgênca Artfcal) Aula 14 Redes Neuras Edrle Soares de Lma Formas de Aprendzado Aprendzado Supervsonado Árvores de Decsão. K-Nearest Neghbor (KNN). Support Vector Machnes
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia mais2 Fundamentos Teóricos
Fundamentos Teórcos 2 Fundamentos Teórcos 2. Aprendzado de Máquna Aprendzado de Máquna é uma área de Intelgênca Artfcal cuo obetvo é o desenvolvmento de técncas computaconas sobre o aprendzado bem como
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisReconhecimento de Padrões
Capítulo 2 Reconhecmento de Padrões 2.1 O que é reconhecmento de padrões? Há duas maneras de se reconhecer e/ou classfcar um padrão [CONNEL, S. D. & JAIN, A. K. (2001)]: () classfcação supervsonada: o
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisAprendizagem de Máquina
Aprendzagem de Máquna Alessandro L. Koerch Programa de Pós-Graduação em Informátca Pontfíca Unversdade Católca do Paraná (PUCPR) Máqunas de Vetor de Suporte Introdução Support Vector Machnes SVM Método
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisO íon lantanídeo no acoplamento Russell-Saunders e a classificação de seus estados segundo os subgrupos do grupo GL(4
O íon lantanídeo no acoplamento Russell-aunders e a classfcação de seus estados segundo os subgrupos do grupo G(4 ) O hamltonano, H, dos íons lantanídeos contém uma parte que corresponde ao campo central,
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisUniversidade Federal do Rio de Janeiro GRADUAÇÃO /2. Modelo MLP. MLP Multi Layers Perceptron
Unversdade Federal do Ro de Janero GRADUAÇÃO - 8/ Modelo MLP www.labc.nce.ufrj.br Antono G. Thomé thome@nce.ufrj.br Sala - 3 598-368 MLP Mult Laers Perceptron. Redes Neuras RN de múltplas camadas resolvem
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisAprendizado Competitivo e Auto-Organizado
5945851-1 Pscologa Conexonsta Antono Roque Aula 9 Aprendzado Compettvo e Auto-Organzado Uma característca mportante das redes neuras é a sua capacdade de aprender a partr de estímulos fornecdos pelo meo-ambente.
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aula 4 Alessandro L. Koerch Aprendzagem Bayesana Introdução Teorema de Bayes e Aprendzagem Concetual Classfcador Ótmo de Bayes Algortmo de Gbbs Classfcador Naïe Bayes
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia mais2 Reconhecimento Automático de Locutor em Ambientes Ruidosos
2 Reconhecmento Automátco de Locutor em Ambentes Rudosos Neste capítulo são apresentadas, de forma resumda, as técncas de classfcação e de extração de atrbutos mas usadas recentemente para aplcações de
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisMétodos Supervisionados vs. não supervisionados
10/4/010 Capítulo 5 Algortmo dos k-vznhos mas próxmos Prepared by James Steck, Graduate Assstant DESCOBRINDO CONHECIMENTO NOS DADOS DANIEL T. LAROSE, PH.D. Copyrght 005 John Wley & Sons, Inc. 1 Métodos
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia mais4 Reconhecimento de Padrões
46 4 Reconhecmento de Padrões Este capítulo apresenta de forma lustrada os concetos báscos do Reconhecmento de Padrões e vsa mostrar o potencal desta ferramenta em dversas aplcações. Trata-se de um texto
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisAvaliação do Modelo. Avaliação de Modelos. Métricas para avaliação de desempenho. Métricas para avaliação de desempenho 31/05/2017
3/05/07 Avalação do Modelo Avalação de Modelos Métrcas para avalação de desempenho Como avalar o desempenho do modelo? Métodos para avalação de desempenho Como obter estmatvas confáves? Métodos para comparação
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisRede de Hopfield. Rede de camada única com realimentação x n x 2 x 1 w 1n. w n2. w n1 w 2n w 21. w 12
Rede de Hopfeld Rede de camada únca com realmentação x n x 2 x n n2 2 n 2n 2 - b - - n b 2 b n 2 Memóra (auto-assocata) assocata (terata) ou memóra de conteúdo endereçáel não lnear Cada undade lga com
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisIntrodução. Introdução. Introdução I - PERCEPTRON. Modelos de Neurônios LABIC. Neurônio:
Modelos de Neurônos Introdução Característcas Báscas Modelo de Neurôno Estrutura da Rede Neurôno: Cada neurôno é composto por: dendrtos: con de termnas de entrada corpo central Algortmo de Aprendzado axôno:
Leia maisTermo-Estatística Licenciatura: 4ª Aula (08/03/2013)
Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisCapítulo 4. Multilayer Perceptrons
Capítulo 4 Multlayer Perceptrons As redes Multlayer Perceptron (MLPs) têm sdo aplcadas com sucesso em uma varedade de áreas, desempenhando tarefas tas como: classfcação de padrões (reconhecmento), controle
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia mais