PARTICIONAMENTO DE CONJUNTO DE DADOS E SELEÇÃO DE VARIÁVEIS EM PROBLEMAS DE CALIBRAÇÃO MULTIVARIADA

• Ano de defesa: 2017
• Autor(a) principal: Alves, André Luiz
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Pontifícia Universidade Católica de Goiás; Escola de Engenharia::Curso de Engenharia de Produção; Brasil; PUC Goiás; Programa de Pós-Graduação STRICTO SENSU em Engenharia de Produção e Sistemas
• Palavras-chave em Português: Particionamento de dados, Seleção de amostras e de variáveis, Calibração multivariada.; Data partitioning, Sample selection and variable selection, Multivariate calibration.; ENGENHARIAS::ENGENHARIA DE PRODUCAO
• Link de acesso: http://tede2.pucgoias.edu.br:8080/handle/tede/3853

O objetivo do trabalho é comparar um algoritmo proposto baseado no método consenso de amostra aleatória (RANdom SAmple Consensus, RANSAC) para seleção de amostras, seleção de variáveis e seleção simultânea de amostras e variáveis com o algoritmo de projeções sucessivas (Sucessive Projections Algorithm, SPA) a partir de conjuntos de dados químicos no contexto da calibração multivariada. O método proposto é baseado no método RANSAC e regressão linear múltipla (Multiple Linear Regression, MLR). A capacidade preditiva dos modelos é medida empregando o erro de previsão da raiz quadrada do erro quadrático médio (Root Mean Square Error Of Prediction, RMSEP). Os resultados permitem concluir que o Algoritmo das Projeções Sucessivas melhora a capacidade preditiva do Ransac. Conclui-se que o SPA influi positivamente no algoritmo Ransac para seleção de amostras, para seleção de variáveis e também para seleção simultânea de amostras e variáveis.