1. Repositório Institucional da UFMG
  2. Trabalhos Acadêmicos
  3. Monografias de Especialização
  4. Especialização em Estatística
Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/63397
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Maicon Rodrigues Albuquerquept_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/6882672148403531pt_BR
dc.contributor.referee1João Guilherme Maia de Menezespt_BR
dc.contributor.referee2Guilherme Lopes de Oliveirapt_BR
dc.creatorRonaldo Angelo Dias da Silvapt_BR
dc.creator.Latteshttps://lattes.cnpq.br/5437651860413629pt_BR
dc.date.accessioned2024-01-25T22:50:00Z-
dc.date.available2024-01-25T22:50:00Z-
dc.date.issued2023-12-14-
dc.identifier.urihttp://hdl.handle.net/1843/63397-
dc.description.abstractThe 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.pt_BR
dc.description.resumoO 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.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Minas Geraispt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICX - DEPARTAMENTO DE ESTATÍSTICApt_BR
dc.publisher.programPrograma de Pós-Graduação em Estatísticapt_BR
dc.publisher.initialsUFMGpt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/pt/*
dc.subjectAlgoritmo de Prediçãopt_BR
dc.subjectinteligência artificialpt_BR
dc.subjectAnálise Esportivapt_BR
dc.subject.otherEstatísticapt_BR
dc.subject.otherControle preditivopt_BR
dc.subject.otherTae kwon do – Treinamento técnicopt_BR
dc.subject.otherInteligência artificialpt_BR
dc.titleMachine learning para a predição da carga de treinamento de um atleta da Seleção Brasileira de Taekwondopt_BR
dc.typeMonografia (especialização)pt_BR
Appears in Collections:Especialização em Estatística

Files in This Item:
File Description SizeFormat 
MACHINE LEARNING PARA A PREDIÇÃO DA CARGA DE TREINAMENTO DE UM ATLETA DA SELEÇÃO BRASILEIRA DE TAEKWONDO.pdf1.23 MBAdobe PDFView/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons