Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/63397
Tipo: | Monografia (especialização) |
Título: | Machine learning para a predição da carga de treinamento de um atleta da Seleção Brasileira de Taekwondo |
Autor(es): | Ronaldo Angelo Dias da Silva |
Primeiro Orientador: | Maicon Rodrigues Albuquerque |
Primeiro membro da banca : | João Guilherme Maia de Menezes |
Segundo membro da banca: | Guilherme Lopes de Oliveira |
Resumo: | O objetivo do presente estudo foi ajustar um modelo preditivo para a carga de treinamento de um atleta da seleção brasileira de Taekwondo. Foram analisadas 122 sessões de treinamento e a escala de Bem_Estar, média de altura de salto com contramovimento (SCMmedia) e frequência cardíaca média (FC_MED) foram utilizadas como variáveis independentes. Para predizer a percepção subjetiva do esforço em três níveis, Leve, Moderada e Elevada (PSE_class) foram ajustados os modelos de Árvore de Decisão de classificação, Floresta Aleatória, Bagging e Boosting. Após realizados os testes, a Árvore de Decisão apresentou acurácia de 26,09%, a Floresta Aleatória apresentou acurácia de 17,39%, o método Bagging apresentou acurácia de 56,52% e o Boosting demonstrou acurácia de 65,21%. Frente aos resultados encontrados, o método Bossting apresentou melhor desempenho e mostrou-se mais adequado para ajuste do modelo de árvore de decisão para predizer a PSE_class de treinamento, mas deve ser usado com cautela. |
Abstract: | The aim of the present study was to adjust a predictive model for the training load of an athlete from the Brazilian Taekwondo team. 122 training sessions were analyzed and the Wellness_Being scale, countermovement jump height mean (CMJmean), and mean heart rate (HR_MED) were used as dependent variables. To predict the rate perception of exertion at three levels, Easy, Moderate and High (RPE_class), the classification Decision Tree, Random Forest, Bagging and Boosting models were adjusted. After carrying out the tests, the Decision Tree showed an accuracy of 26.09%, the Random Forest showed an accuracy of 17.39%, the Bagging method showed an accuracy of 56.52% and Boosting showed an accuracy of 65.21%. In conclusion, the Bossting method performed better and was more suitable for adjusting the decision tree model to predict the RPE_class of the training, but should be used with caution. |
Assunto: | Estatística Controle preditivo Tae kwon do – Treinamento técnico Inteligência artificial |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Departamento: | ICX - DEPARTAMENTO DE ESTATÍSTICA |
Curso: | Programa de Pós-Graduação em Estatística |
Tipo de Acesso: | Acesso Aberto |
metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ |
URI: | http://hdl.handle.net/1843/63397 |
Data do documento: | 14-Dez-2023 |
Aparece nas coleções: | Especialização em Estatística |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
MACHINE LEARNING PARA A PREDIÇÃO DA CARGA DE TREINAMENTO DE UM ATLETA DA SELEÇÃO BRASILEIRA DE TAEKWONDO.pdf | 1.23 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons