Classificação não supervisionada no contexto de tamanho e forma

Esta dissertação tem como objetivo propor métodos não supervisionados de classificação para dados de tamanho e forma, considerando imagens bidimensionais (formas planas). Os novos métodos são baseados em testes de hipóteses, algoritmo K-médias e o algoritmo hill climbing. Também propomos as combinações dos algoritmos, com os métodos de ensemble: bagging e boosting. Para os dados simulados, gerados a partir da distribuição normal complexa, propomos três possíveis cenários para avaliar o desempenho dos métodos propostos. Neles, as combinações dos algoritmos foram superiores às suas versões base, sendo o algoritmo bagging hill climbing, o mais poderoso em dois cenários. Ainda pelos resultados numéricos, concluímos que quando os tamanhos dos centroides se diferenciam, o desempenho dos algoritmos me- lhora. Para os conjuntos de dados reais (vértebras torácicas T2 de camundongos,ressonância magnética de pessoas com esquizofrenia e crânio de grandes macacos), os métodos ensembles (bagging e boosting) novamente foram o destaque, sendo sempre superiores às versões base. Finalmente, considerando os dados sintéticos e reais, o bagging hill climbing é escolhido como o melhor método.

Grantor dc:publisher

Universidade Federal de Pernambuco

Year dc:date.issued

2022

Author dc:creator

• HONÓRIO, Jerfson Bruno do Nascimento

Advisor dc:contributor.advisor

• AMARAL, Getúlio José Amorim do

• Estatística aplicada
• Bagging
• Boosting
• Hill climbing
• k-médias

Statement dc:rights

• openAccess
• Attribution-NonCommercial-NoDerivs 3.0 Brazil

Licence dc:rights.uri

• http://creativecommons.org/licenses/by-nc-nd/3.0/br/

Language dc:language.iso

por

Repository record dc:identifier.uri

https://repositorio.ufpe.br/handle/123456789/44679

OAI identifier oai:identifier

oai:repositorio.ufpe.br:123456789/44679