Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/12734
Files in This Item:
File Description SizeFormat 
mariajulianevesgregorio.pdfmariajulianevesgregorio482.84 kBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Magalhães, Tiago Maia-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7953363504273397pt_BR
dc.contributor.referee1Magalhães, Tiago Maia-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/7953363504273397pt_BR
dc.contributor.referee2Zeller, Camila Borelli-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/66714054pt_BR
dc.contributor.referee3Ferreira, Clécio da Silva-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/7842524715253287pt_BR
dc.creatorGregório, Maria Júlia Neves-
dc.creator.Latteshttp://lattes.cnpq.br/5595294687355425pt_BR
dc.date.accessioned2021-05-24T20:26:33Z-
dc.date.available2021-03-17-
dc.date.available2021-05-24T20:26:33Z-
dc.date.issued2021-03-16-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/12734-
dc.description.abstractWhen building a model, we have the option of two perspectives, an inferential one, which has a greater focus on the interpretation of explanatory variables and the other that prioritizes the prediction of new observations. This work intends to present tools from both perspectives for the Logistic Regression model. For this, the estimation by maximum likelihood will be presented, tests to adjust the model, for the first case, and devices used to improve the forecast, such as Cross Validation and penalties such as Lasso and Ridge for the second case.pt_BR
dc.description.resumoNa construção de um modelo, não temos a opção de duas perspectivas, uma inferencial, que tem um foco maior na interpretação das variáveis ​​explicativas e outra que prioriza a previsão de novas observações. Este trabalho apresenta as ferramentas de ambas as perspectivas para o modelo de Regressão Logística. Para isso, serão apresentadas as estimativas por máxima verossimilhança, testes de ajuste do modelo, para o primeiro caso, e dispositivos utilizados para melhorar a previsão, como validação cruzada e penalidades como Lasso e Ridge para o segundo caso.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICE – Instituto de Ciências Exataspt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectMaximum likelihoodpt_BR
dc.subjectRidgept_BR
dc.subjectPredictionpt_BR
dc.subjectPrediçãopt_BR
dc.subjectRegressão Logísticapt_BR
dc.subjectLassopt_BR
dc.subjectLogistic Regressionpt_BR
dc.subjectMáxima verossimilhançapt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICApt_BR
dc.titleRegressão logística sob o ponto de vista inferencial e preditivistapt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
Appears in Collections:Estatística - TCC Graduação

Show simple item record Recommend this item
Facebook Twitter LinkedIn Google+ Mendeley Whatsapp


This item is licensed under a Creative Commons License Creative Commons