Por favor, use este identificador para citar o enlazar este ítem:
https://repositorio.ufjf.br/jspui/handle/ufjf/12727Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| isabelalopespenna.pdf | isabelalopespenna | 940.62 kB | Adobe PDF |  Visualizar/Abrir |
| Clase: | Trabalho de Conclusão de Curso |
| Título : | Seleção de modelos de regressão linear em bases de alta dimensão |
| Autor(es): | Penna, Isabela Lopes |
| Orientador: | Ferreira, Clécio da Silva |
| Miembros Examinadores: | Ferreira, Clécio da Silva |
| Miembros Examinadores: | Zeller, Camila Borelli |
| Miembros Examinadores: | Magalhães, Tiago Maia |
| Resumo: | Em diversos casos é preciso lidar com bases de dados com um grande número de variáveis, bases essas denominadas Big Data. Em algumas situações se faz necessário reduzir o número dessas variáveis, seja para se ter um modelo apenas com as variáveis significativas ou para sanar problemas como multicolinearidade. Com isso surgiram vários métodos para solucionar os casos acima. Esse trabalho se propôs a estudar os diferentes métodos de seleção em modelos de regressão linear múltipla, como métodos de seleção de subconjuntos de variáveis, métodos de regularização e métodos de redução de dimensionalidade. Procedimentos de validação cruzada foram utilizados nos processos de regularização para seleção dos modelos. Aplicações em dados reais foram realizadas utilizando o software R Core Team (2018). |
| Resumen : | In many cases, it is necessary to deal with databases with a large number of variables, bases called Big Data. In some situations it is necessary to reduce the number of these variables, either to have a model with only the significant variables or to solve problems such as multicollinearity. With this, several methods have emerged to solve the above cases. This work proposed to study the different selection methods in multiple linear regression models, such as methods of selecting subsets of variables, methods of regularization and methods of dimensionality reduction. Cross-validation procedures were used in the regularization processes for selecting the models. Real data applications were performed using the R Core Team software (2018). |
| Palabras clave : | Seleção de Variáveis Regressoras Selection of Regressor Variables Mínimos Quadrados Parciais Ridge Regression Regressão Ridge LASSO Regression Regressão LASSO Regressão de Componentes Principais Partial Least Squares Principal Component Regression |
| CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA |
| Idioma: | por |
| País: | Brasil |
| Editorial : | Universidade Federal de Juiz de Fora (UFJF) |
| Sigla de la Instituición: | UFJF |
| Departamento: | ICE – Instituto de Ciências Exatas |
| Clase de Acesso: | Acesso Aberto |
| Licenças Creative Commons: | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
| URI : | https://repositorio.ufjf.br/jspui/handle/ufjf/12727 |
| Fecha de publicación : | 17-mar-2021 |
| Aparece en las colecciones: | Estatística - TCC Graduação |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
