Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/15302
Files in This Item:
File Description SizeFormat 
gabrieldeoliveiramachado.pdf8.11 MBAdobe PDFThumbnail
View/Open
Type: Dissertação
Title: Algoritmos para geração da frente de Pareto da regressão Lasso
Author: Machado, Gabriel de Oliveira
First Advisor: Freire, Wilhelm Passarella
Referee Member: Mazorche, Sandro Rodrigues
Referee Member: Franco, Hernando José Rocha
Resumo: Problemas de modelagem podem envolver um número muito elevado de variáveis de entrada, principalmente quando estamos interessados em estudar dados experimentais e obter um modelo explicativo para um certo fenômeno ou evento a partir destes. Em geral, deseja-se que o modelo seja interpretável e que seja possível obter uma conclusão clara sobre a relação de cada variável explicativa com a resposta, onde um número muito grande de variáveis pode dificultar tal interpretação. A utilização da regressão Lasso é uma opção viável para obter modelos com um menor número de variáveis de entrada, enquanto mantendo a precisão obtida pelos mesmos. No entanto, a geração de modelos a partir do Lasso exige maior esforço computacional quando comparado a outros métodos, e por esse motivo é importante que o processo de geração destes modelos seja eficiente. Nesse estudo, realizamos a análise de diferentes algoritmos para a geração de modelos a partir do Lasso, bem como formas de reduzir o esforço computacional quando desejamos obter diversos modelos, para diferentes valores do parâmetro de regularização, para um dado problema, por meio da aproximação da frente de Pareto do Lasso.
Abstract: Modeling problems can involve a very large number of input variables, especially when we are interested in studying experimental data and obtaining an explanatory model for a certain phenomenon or event from them. In general, it is desired that the model be interpretable and that a clear conclusion can be obtained about the relationship of each input variable to the response, where a large number of variables can make such interpretation difficult. The use of Lasso regression is a viable option for obtaining models with a smaller number of input variables, while maintaining the accuracy obtained by them. However, generating models from Lasso requires greater computational effort compared to other methods, and for this reason, it is important that the process of generating these models is efficient. In this study, we conducted an analysis of different algorithms for generating models from Lasso, as well as ways to reduce computational effort when we want to obtain multiple models for different regularization parameter values for a given problem, by approximating the Pareto front of Lasso.
Keywords: Otimização multiobjetivo
Regressão Lasso
Otimização
Multiobjective optimization
Lasso regression
Optimization
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA
Language: por
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: ICE – Instituto de Ciências Exatas
Program: Mestrado Acadêmico em Matemática
Access Type: Acesso Aberto
Attribution-ShareAlike 3.0 Brazil
Creative Commons License: http://creativecommons.org/licenses/by-sa/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/15302
Issue Date: 16-Mar-2023
Appears in Collections:Mestrado Acadêmico em Matemática (Dissertações)



This item is licensed under a Creative Commons License Creative Commons