Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/63397
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Maicon Rodrigues Albuquerque | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6882672148403531 | pt_BR |
dc.contributor.referee1 | João Guilherme Maia de Menezes | pt_BR |
dc.contributor.referee2 | Guilherme Lopes de Oliveira | pt_BR |
dc.creator | Ronaldo Angelo Dias da Silva | pt_BR |
dc.creator.Lattes | https://lattes.cnpq.br/5437651860413629 | pt_BR |
dc.date.accessioned | 2024-01-25T22:50:00Z | - |
dc.date.available | 2024-01-25T22:50:00Z | - |
dc.date.issued | 2023-12-14 | - |
dc.identifier.uri | http://hdl.handle.net/1843/63397 | - |
dc.description.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. | pt_BR |
dc.description.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. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE ESTATÍSTICA | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Estatística | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ | * |
dc.subject | Algoritmo de Predição | pt_BR |
dc.subject | inteligência artificial | pt_BR |
dc.subject | Análise Esportiva | pt_BR |
dc.subject.other | Estatística | pt_BR |
dc.subject.other | Controle preditivo | pt_BR |
dc.subject.other | Tae kwon do – Treinamento técnico | pt_BR |
dc.subject.other | Inteligência artificial | pt_BR |
dc.title | Machine learning para a predição da carga de treinamento de um atleta da Seleção Brasileira de Taekwondo | pt_BR |
dc.type | Monografia (especialização) | pt_BR |
Appears in Collections: | Especialização em Estatística |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
MACHINE LEARNING PARA A PREDIÇÃO DA CARGA DE TREINAMENTO DE UM ATLETA DA SELEÇÃO BRASILEIRA DE TAEKWONDO.pdf | 1.23 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License