Imputação de dados faltantes via algoritmo EM e rede neural MLP com o método de estimativa de máxima verossimilhança para aumentar a acurácia das estimativas

• Ano de defesa: 2015
• Autor(a) principal: Ribeiro, Elisalvo Alves
• Orientador(a): Montesco, Carlos Alberto Estombelo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Sergipe
• Programa de Pós-Graduação: Pós-Graduação em Ciência da Computação
• País: BR
• Palavras-chave em Português: Redes Neurais Artificiais MLP; Método de Estimativa de Máxima Verossimilhança; Algoritmo EM; Imputação de dados; Dados faltantes; Novas funções de ativação; Computação; Algoritmos de computador; Redes neurais (Computação); Variáveis aleatórias; Banco de dados
• Palavras-chave em Inglês: Artificial Neural Networks MLP; Maximum Likelihood Estimation Method; EM Algorithm; Data imputation; Missing data; New function activation
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://ri.ufs.br/handle/riufs/3333

Database with missing values it is an occurrence often found in the real world, beiging of this problem caused by several reasons (equipment failure that transmits and stores the data, handler failure, failure who provides information, etc.). This may make the data inconsistent and unable to be analyzed, leading to very skewed conclusions. This dissertation aims to explore the use of Multilayer Perceptron Artificial Neural Network (ANN MLP), with new activation functions, considering two approaches (single imputation and multiple imputation). First, we propose the use of Maximum Likelihood Estimation Method (MLE) in each network neuron activation function, against the approach currently used, which is without the use of such a method or when is used only in the cost function (network output). It is then analyzed the results of these approaches compared with the Expectation Maximization algorithm (EM) is that the state of the art to treat missing data. The results indicate that when using the Artificial Neural Network MLP with Maximum Likelihood Estimation Method, both in all neurons and only in the output function, lead the an imputation with lower error. These experimental results, evaluated by metrics such as MAE (Mean Absolute Error) and RMSE (Root Mean Square Error), showed that the better results in most experiments occured when using the MLP RNA addressed in this dissertation to single imputation and multiple.