Monte Carlo Evaluation of Classification Algorithms Based on Fisher's Linear Function in Classification of Patients With CHD

Abstract

A classificação compreende uma variedade de problemas, que são resolvidos de várias maneiras. A necessidade de métodos automáticos de classificação surge em diversas áreas, desde o reconhecimento de voz, até automóveis modernos, até o reconhecimento de tumores através de radiografias para auxiliar médicos, classificando e-mails como legítimos ou spam. Devido à importância e complexidade de tais problemas, há a necessidade de métodos que proporcionem maior precisão e interpretabilidade dos resultados. Dentre eles, os métodos Boosting, que surgiram no campo da computação, funcionam aplicando sequencialmente um algoritmo de classificação a versões reponderadas do conjunto de dados de treinamento, dando maior peso às observações errôneas. O objetivo deste estudo foi estudar o modelo de Análise Discriminante Linear de Fisher (LDA) e o mesmo utilizando o algoritmo Boosting (AdaBoost) na presença/ausência de problema de doença coronariana (DAC) em pacientes. Os critérios utilizados para fazer as comparações foram sensibilidade, especificidade, taxa de falsos positivos e taxa de falsos negativos. Além disso, a simulação de Monte Carlo foi realizada para calcular essas taxas em diferentes partições do conjunto de treinamento. O método Boosting foi aplicado com sucesso na LDA e proporcionou uma sensibilidade maior que a LDA convencional.