Return to search

Agregação via bootstrap: uma investigação de desempenho em classificadores estatísticos e redes neurais, avaliação numérica e aplicação no suporte ao diagnóstico de câncer de mama / Bootstrap agregating : an investigation of performance in statistics and neural networks classifiers, numerical evaluation and application on breast cancer diagnostic support

Submitted by (ana.araujo@ufrpe.br) on 2016-08-16T14:12:24Z
No. of bitstreams: 1
Simone Castelo Branco Simoes.pdf: 1283329 bytes, checksum: ab664570df5d0a685483c6dfc554deb4 (MD5) / Made available in DSpace on 2016-08-16T14:12:24Z (GMT). No. of bitstreams: 1
Simone Castelo Branco Simoes.pdf: 1283329 bytes, checksum: ab664570df5d0a685483c6dfc554deb4 (MD5)
Previous issue date: 2007-02-27 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / In pattern recognition, the medical diagnosis has received great attention. In gene-ral, the emphasis has been to identify one best model for diagnostic forecast, measured according to generalization ability. In this context, ensembles methods have been eficients, can be considered on the improvement of performance in diagnostic tasks that demand greater precision. The bagging method, purposed from Breiman (1996), uses bootstrap to generate different samples of the training set, building classifiers with the generated samples and combining different forecasts for majority vote. In general, empirical estudies are done for evaluate the bagging performance. In this thesis, we investigate the bagging generalization ability for statistical usual classifiers and the multilayer perceptron net through sthocastic simulation. Different structures of separation of populations are build from especific distributions. Additionally, we make an application on diagnostic suport of brest cancer. The results were obtained using R. In general, we observed that bagging performance depends on the population separation behavior. In the application, bagging showed to be e±cient on sensibility improvement. / Em reconhecimento de padrões, o diagnóstico médico tem recebido grande atenção. Em geral, a ênfase tem sido a identificação de um melhor modelo de previsão diagnóstica, avaliado de acordo com a habilidade de generalização. Nesse contexto, métodos que combinam classificadores têm se mostrado muito eficazes, podendo ser considerados no melhoramento de desempenho em tarefas diagnósticas que exigem maior precisão. O método bagging, proposto por Breiman (1996), utiliza bootstrap para gerar diferentes amostras do conjunto de treinamento, construindo classificadores com as amostras geradas e combinando as diferentes previsões por voto majoritário. Em geral, estudos empíricos são realizados para avaliar o desempenho do bagging. Nesta dissertação , investigamos a habilidade de generalização do bagging para classificadores estatísticos usuais e a rede perceptron de múltiplas camadas através de simulações estocásticas. Diferentes estruturas de separação das populações são construídas a partir de distribuições específicas consideradas. Adicionalmente, realizamos uma alicação no suporte ao diagnóstico de câncer de mama. Os resultados foram obtidos utilizando o ambiente de programação análise de dados e gráficos R. Em geral, as simulações realizadas indicam que o desempenho do bagging depende do comportamento de separação das populações. Na aplicação, o bagging mostrou ser eficiente no melhoramento da sensibilidade.

Identiferoai:union.ndltd.org:IBICT/oai:tede2:tede2/5351
Date27 February 2007
CreatorsSIMÕES, Simone Castelo Branco
ContributorsOLIVEIRA JUNIOR , Wilson Rosa de, STOSIC, Borko, AMARAL, Getúlio José Amorim do, CARVALHO, Francisco de Assis Tenório de
PublisherUniversidade Federal Rural de Pernambuco, Programa de Pós-Graduação em Biometria e Estatística Aplicada, UFRPE, Brasil, Departamento de Estatística e Informática
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da UFRPE, instname:Universidade Federal Rural de Pernambuco, instacron:UFRPE
Rightsinfo:eu-repo/semantics/openAccess
Relation768382242446187918, 600, 600, 600, 600, -6774555140396120501, -5836407828185143517, 2075167498588264571

Page generated in 0.0029 seconds