Estatística não-paramétrica: estimação, classificação e uma nova abordagem de seleção automática para largura de banda
Esta tese teve como motivação conhecer o estado da arte em estimação nãoparamétrica de densidade de probabilidade, avaliar as técnicas mais proeminentes encontradas em publicações científicas, compará-las em diversas situações e avaliar seu impacto em classificação utilizando verossimilhança. Para i...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2020 |
| País: | Brasil |
| Institución: | Universidade Federal de Juiz de Fora (UFJF) |
| Repositorio: | Repositório Institucional da UFJF |
| Idioma: | portugués |
| OAI Identifier: | oai:hermes.cpd.ufjf.br:ufjf/11934 |
| Acceso en línea: | https://repositorio.ufjf.br/jspui/handle/ufjf/11934 |
| Access Level: | acceso abierto |
| Palabra clave: | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Estimação não-paramétrica Largura de banda KDE Verossimilhança naive Classificação Nonparametric estimation Bandwidth Likelihood naive Classification |
| Sumario: | Esta tese teve como motivação conhecer o estado da arte em estimação nãoparamétrica de densidade de probabilidade, avaliar as técnicas mais proeminentes encontradas em publicações científicas, compará-las em diversas situações e avaliar seu impacto em classificação utilizando verossimilhança. Para isto, foi realizado um estudo sobre a escolha automática da largura de banda, principal parâmetro utilizado pelos quatro estimadores não-paramétricos de densidade clássicos: Histograma, Average Shifted Histogram (ASH), Polígono de Frequência (PF) e Kernel Density Estimation (KDE). Em linhas gerais, o método KDE mostrou os melhores resultados em todas as distribuições testadas e devido a esse desempenho sua análise foi mais aprofundada, adentrando nas teorias do KDE com largura de banda variável. Ademais, foi percebido nos diversos testes realizados que os seletores baseados em validação-cruzada são mais resilientes do que os métodos de Plug-In (PI), levando a melhores resultados de estimação e classificação em realidades complexas. Por fim, este trabalho teve como desdobramento algumas contribuições para o estado da arte no assunto de investigação, cujas principais são elencadas a seguir: aumento do conhecimento sobre alguns dos principais estimadores não-paramétricos discutidos no mundo científico; desenvolvimento de uma técnica de avaliação de estimadores de densidade, nomeada de Region of Interest Map (RoIMap); proposta de uma técnica automática híbrida para ajustar o seletor de largura de banda variável, denominada Region of Interest-based Kernel Density Estimation (ROIKDE); e avaliação do impacto da estimação não-paramétrica em classificação de amostras. |
|---|