Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/3522
Files in This Item:
File Description SizeFormat 
lucianagomes.pdf2.18 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Hippert, Henrique Steinherz-
dc.contributor.advisor1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4782250Z1pt_BR
dc.contributor.referee1Fonseca Neto, Raul-
dc.contributor.referee1Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4786482Y2pt_BR
dc.contributor.referee2Santos, Marcelo Costa Pinto e-
dc.contributor.referee2Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4776756J5pt_BR
dc.creatorGomes, Luciana-
dc.creator.Latteshttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4446017D2pt_BR
dc.date.accessioned2017-03-06T20:01:01Z-
dc.date.available2017-03-02-
dc.date.available2017-03-06T20:01:01Z-
dc.date.issued2012-08-15-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/3522-
dc.description.abstractIn many problems, a qualitative description of the data is needed (using for example variables such as age or sex of a patient). For use on artificial neural networks, however, these variables must be recoded quantitatively. In this study, simulations were made with six wellknown techniques for recoding qualitative variables: Dummy 1-of-c, Dummy 1-of-(c-1), Thermometer, Numerical, Gray, and Binary. The performance of these techniques was compared to the performance obtained using the factors of Correspondence Analysis (CA) instead of the original qualitative variables. The use of these factors as inputs to the neural network has not been reported in the literature. Simulations were made with three dataset. Two of them involve classification problems, with two classes (performance was measured by the percentage of correct classifications); the third dataset involves a problem of function approximation (performance was measured by MAPE and MSE). For two of the datasets, the results for CA are equivalent to those of the other techniques applied; for the third, the performance was not satisfactory, do not showing any advantages over other techniques.pt_BR
dc.description.resumoEm muitos problemas é necessária a descrição qualitativa dos dados (por exemplo, usando variáveis tais como sexo ou idade de um paciente). Para uso em redes neurais artificiais, contudo, estas variáveis têm que ser recodificadas quantitativamente. Neste trabalho, foram feitas simulações com seis técnicas bastante conhecidas de recodificação de variáveis qualitativas: Dummy 1-de-c, Dummy 1-de-(c-1), Termômetro, Numérica, Gray e Binária. O desempenho das seis técnicas foi comparado com o desempenho obtido utilizandose os fatores de Análise de Correspondência (AC) ao invés das variáveis qualitativas originais. O uso destes fatores de AC como forma de codificar variáveis de entrada de uma rede neural ainda não foi relatado na literatura. As simulações forem feitas com três bases de dados. Duas delas envolvem problemas de classificação de padrões em duas classes (o desempenho foi medido por meio da proporção de classificações corretas); a terceira base envolve um problema de aproximação de funções (o desempenho foi medido por meio dos erros MAPE e MSE). Nas bases de dados Seguros e Consumo, os resultados obtidos para AC são equivalentes aos das demais técnicas aplicadas e na base Córneas, não foi satisfatório, não demonstrando, assim, vantagens sobre as demais técnicas.pt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_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.programPrograma de Pós-graduação em Modelagem Computacionalpt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectAnálise de correspondênciapt_BR
dc.subjectVariáveis qualitativaspt_BR
dc.subjectArtificial neural networkspt_BR
dc.subjectCorrespondence Analysispt_BR
dc.subjectQualitative variablespt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.titleModelagem de variáveis qualitativas por meio de redes neurais artificiais: avaliação do uso de análise de correspondência como técnica de codificaçãopt_BR
dc.typeDissertaçãopt_BR
Appears in Collections:Mestrado em Modelagem Computacional (Dissertações)



Items in DSpace are protected by Creative Commons licenses, with all rights reserved, unless otherwise indicated.