Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/34069| Type: | Dissertação |
| Title: | Product partition model for categorical features |
| Other Titles: | Modelo partição produto para atributos categóricos |
| Authors: | Tulio Lima Criscuolo |
| First Advisor: | Wagner Meira Junior |
| metadata.dc.contributor.advisor2: | Renato Martins Assunção |
| First Referee: | Rosangela Helena Loschi |
| Second Referee: | Denis Deratani Mauá |
| Third Referee: | Fabrício Murai Ferreira |
| Abstract: | 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. |
| Subject: | Modelo Hierárquico Regressão Clusterização Redução de dimensão |
| language: | eng |
| metadata.dc.publisher.country: | Brasil |
| Publisher: | Universidade Federal de Minas Gerais |
| Publisher Initials: | UFMG |
| metadata.dc.publisher.department: | ICEX - INSTITUTO DE CIÊNCIAS EXATAS |
| metadata.dc.publisher.program: | Programa de Pós-Graduação em Ciência da Computação |
| Rights: | Acesso Aberto |
| URI: | http://hdl.handle.net/1843/34069 |
| Issue Date: | 25-Oct-2019 |
| Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| TulioLimaCriscuolo_substituicaofinal.pdf | 10.38 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.