Use este identificador para citar o ir al link de este elemento:
http://hdl.handle.net/1843/34069| Tipo: | Dissertação |
| Título: | Product partition model for categorical features |
| Título(s) alternativo(s): | Modelo partição produto para atributos categóricos |
| Autor(es): | Tulio Lima Criscuolo |
| primer Tutor: | Wagner Meira Junior |
| Segundo Tutor: | Renato Martins Assunção |
| primer miembro del tribunal : | Rosangela Helena Loschi |
| Segundo miembro del tribunal: | Denis Deratani Mauá |
| Tercer miembro del tribunal: | Fabrício Murai Ferreira |
| Resumen: | A common difficulty in data analysis is how to handle categorical predictors with a large number of levels or categories. There are few proposals developed in the literature to handle this important and frequent problem. We introduce a generative model that simultaneously carries out the model fitting and the aggregation of the categorical levels into larger groups. Our approach is based on imposing a graph where the nodes are categories and creating a probability distribution over meaningful partitions of this graph. Being a Bayesian model, it allows the posterior inference, including uncertainty measurement, on the estimated parameters and the categories partition. We compare our method with the state-of-art methods showing that it has equally good predictive performance and much better interpretation ability. Given the current concern on balancing accuracy versus interpretability, our proposal reaches an excellent result. |
| Abstract: | O tratamento de atributos categóricos com uma grande quantidade de categorias é um problema recorrente em análise de dados. Existem poucas propostas na literatura para lidar com este problema importante e recorrente. Introduzimos um modelo generativo, que simultaneamente estima os parâmetros e o agrupamento do atributo categórico em grupos. Nossa proposta é baseada em impor um grafo no qual os nós correspondem a categorias e criando uma distribuição de probabilidade sobre partições deste grafo. Sendo um modelo Bayesiano, somos capazes de fazer inferência a posteriori sobre os seus parâmetros e o particionamento do atributo categórico. Comparamos nosso mod- elo com métodos estado da arte e mostramos que obtemos uma capacidade preditiva igualmente boa e melhor interpretação dos resultados obtidos. |
| Asunto: | Modelo Hierárquico Regressão Clusterização Redução de dimensão |
| Idioma: | eng |
| País: | Brasil |
| Editor: | Universidade Federal de Minas Gerais |
| Sigla da Institución: | UFMG |
| Departamento: | ICEX - INSTITUTO DE CIÊNCIAS EXATAS |
| Curso: | Programa de Pós-Graduação em Ciência da Computação |
| Tipo de acceso: | Acesso Aberto |
| URI: | http://hdl.handle.net/1843/34069 |
| Fecha del documento: | 25-oct-2019 |
| Aparece en las colecciones: | Dissertações de Mestrado |
archivos asociados a este elemento:
| archivo | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| TulioLimaCriscuolo_substituicaofinal.pdf | 10.38 MB | Adobe PDF | Visualizar/Abrir |
Los elementos en el repositorio están protegidos por copyright, con todos los derechos reservados, salvo cuando es indicado lo contrario.