Tempo de carregamento de páginas web e fatores associados : aplicação de métodos de aprendizado de máquina supervisionados
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/241713 |
Resumo: | Com a propagação de lojas de comércio eletrônico e a democratização tecnológica, as empresas estão buscando meios de aprimorar o conteúdo que disponibilizam online a fins de oferecer uma melhor experiência ao usuário final e, consequentemente, obter maior lucro. Neste contexto, a velocidade de carregamento das páginas é tida como fator relevante de retenção de clientes, sendo utilizada também como um dos critérios de colocação de um site perante os motores de pesquisa. Atualmente, diversas soluções computacionais foram criadas para capturar métricas de performance das sessões de navegação a fim de auxiliar no processo de otimização destas. Com isso em mente, este trabalho propõe-se a identificar os principais fatores vinculados ao tempo de carregamento de páginas web de um banco de dados de alta dimensionalidade extraído de uma destas soluções, composto por registros individuais de carregamento de páginas pertencentes ao domínio virtual de uma empresa multinacional de tecnologia. O banco em questão foi analisado através da Regressão Linear Múltipla e seus resultados foram posteriormente comparados à técnicas de Machine Learning como Redes Neurais Artificiais e o algoritmo xgBoost. Em termos preditivos, os resultados mostram que o modelo xgbDART, uma variação do algoritmo xgBoost apresentou melhor desempenho em todos os indicadores de avaliação. Contudo, o objetivo de encontrar as variáveis mais influentes foi plenamente atingido através da Regressão Linear Múltipla, que permite fácil interpretação dos resultados através da análise de seus coeficientes. |
id |
UFRGS-2_c6041900d772c43c0de0ee138b9808e0 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/241713 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Gomes, Victor FrankFlores, João Henrique Ferreira2022-07-05T05:06:39Z2022http://hdl.handle.net/10183/241713001144197Com a propagação de lojas de comércio eletrônico e a democratização tecnológica, as empresas estão buscando meios de aprimorar o conteúdo que disponibilizam online a fins de oferecer uma melhor experiência ao usuário final e, consequentemente, obter maior lucro. Neste contexto, a velocidade de carregamento das páginas é tida como fator relevante de retenção de clientes, sendo utilizada também como um dos critérios de colocação de um site perante os motores de pesquisa. Atualmente, diversas soluções computacionais foram criadas para capturar métricas de performance das sessões de navegação a fim de auxiliar no processo de otimização destas. Com isso em mente, este trabalho propõe-se a identificar os principais fatores vinculados ao tempo de carregamento de páginas web de um banco de dados de alta dimensionalidade extraído de uma destas soluções, composto por registros individuais de carregamento de páginas pertencentes ao domínio virtual de uma empresa multinacional de tecnologia. O banco em questão foi analisado através da Regressão Linear Múltipla e seus resultados foram posteriormente comparados à técnicas de Machine Learning como Redes Neurais Artificiais e o algoritmo xgBoost. Em termos preditivos, os resultados mostram que o modelo xgbDART, uma variação do algoritmo xgBoost apresentou melhor desempenho em todos os indicadores de avaliação. Contudo, o objetivo de encontrar as variáveis mais influentes foi plenamente atingido através da Regressão Linear Múltipla, que permite fácil interpretação dos resultados através da análise de seus coeficientes.With the spread of e-commerce stores and the technological democratization, companies are looking for ways to improve the content they make available online in order to offer a better user and end experience and, consequently, obtain greater profit. In this context, page loading speed is considered a relevant factor not only on customer retention, but it is also used as one of the criteria for placing a site before search engines. Currently, several computational solutions have been created to capture performance metrics of browsing sessions in order to assist in their optimization process. With that in mind, this work aims to identify the main factors linked to the loading time of web pages from a high-dimensional database extracted from one of these solutions, composed of individual page loading times belonging to to the virtual domain of a multinational technology company. The database was analyzed using Multiple Linear Regression and its results were later compared to Machine Learning techniques such as Artificial Neural Networks and the xgBoost algorithm. In predictive terms, the results show that the xgbDART model, a variation of the xgBoost algorithm, performed better in all evaluation indicators. However, the objective of finding the most influential variables was fully achieved through the Multiple Linear Regression, which allows easy interpretation of the results through the analysis of it’s coefficients.application/pdfporAprendizado de máquinaRegressão linearRedes neuraisMachine learningNeural networksLinear regressionWeb performanceUser experienceTempo de carregamento de páginas web e fatores associados : aplicação de métodos de aprendizado de máquina supervisionadosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de Matemática e EstatísticaPorto Alegre, BR-RS2022Estatística: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001144197.pdf.txt001144197.pdf.txtExtracted Texttext/plain67819http://www.lume.ufrgs.br/bitstream/10183/241713/2/001144197.pdf.txt59377c25a6f1a885888c89dddfcdd226MD52ORIGINAL001144197.pdfTexto completoapplication/pdf955103http://www.lume.ufrgs.br/bitstream/10183/241713/1/001144197.pdfd7972666eb5eafda2824d8b647f06c3aMD5110183/2417132022-07-06 04:57:24.252579oai:www.lume.ufrgs.br:10183/241713Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2022-07-06T07:57:24Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Tempo de carregamento de páginas web e fatores associados : aplicação de métodos de aprendizado de máquina supervisionados |
title |
Tempo de carregamento de páginas web e fatores associados : aplicação de métodos de aprendizado de máquina supervisionados |
spellingShingle |
Tempo de carregamento de páginas web e fatores associados : aplicação de métodos de aprendizado de máquina supervisionados Gomes, Victor Frank Aprendizado de máquina Regressão linear Redes neurais Machine learning Neural networks Linear regression Web performance User experience |
title_short |
Tempo de carregamento de páginas web e fatores associados : aplicação de métodos de aprendizado de máquina supervisionados |
title_full |
Tempo de carregamento de páginas web e fatores associados : aplicação de métodos de aprendizado de máquina supervisionados |
title_fullStr |
Tempo de carregamento de páginas web e fatores associados : aplicação de métodos de aprendizado de máquina supervisionados |
title_full_unstemmed |
Tempo de carregamento de páginas web e fatores associados : aplicação de métodos de aprendizado de máquina supervisionados |
title_sort |
Tempo de carregamento de páginas web e fatores associados : aplicação de métodos de aprendizado de máquina supervisionados |
author |
Gomes, Victor Frank |
author_facet |
Gomes, Victor Frank |
author_role |
author |
dc.contributor.author.fl_str_mv |
Gomes, Victor Frank |
dc.contributor.advisor1.fl_str_mv |
Flores, João Henrique Ferreira |
contributor_str_mv |
Flores, João Henrique Ferreira |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Regressão linear Redes neurais |
topic |
Aprendizado de máquina Regressão linear Redes neurais Machine learning Neural networks Linear regression Web performance User experience |
dc.subject.eng.fl_str_mv |
Machine learning Neural networks Linear regression Web performance User experience |
description |
Com a propagação de lojas de comércio eletrônico e a democratização tecnológica, as empresas estão buscando meios de aprimorar o conteúdo que disponibilizam online a fins de oferecer uma melhor experiência ao usuário final e, consequentemente, obter maior lucro. Neste contexto, a velocidade de carregamento das páginas é tida como fator relevante de retenção de clientes, sendo utilizada também como um dos critérios de colocação de um site perante os motores de pesquisa. Atualmente, diversas soluções computacionais foram criadas para capturar métricas de performance das sessões de navegação a fim de auxiliar no processo de otimização destas. Com isso em mente, este trabalho propõe-se a identificar os principais fatores vinculados ao tempo de carregamento de páginas web de um banco de dados de alta dimensionalidade extraído de uma destas soluções, composto por registros individuais de carregamento de páginas pertencentes ao domínio virtual de uma empresa multinacional de tecnologia. O banco em questão foi analisado através da Regressão Linear Múltipla e seus resultados foram posteriormente comparados à técnicas de Machine Learning como Redes Neurais Artificiais e o algoritmo xgBoost. Em termos preditivos, os resultados mostram que o modelo xgbDART, uma variação do algoritmo xgBoost apresentou melhor desempenho em todos os indicadores de avaliação. Contudo, o objetivo de encontrar as variáveis mais influentes foi plenamente atingido através da Regressão Linear Múltipla, que permite fácil interpretação dos resultados através da análise de seus coeficientes. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-07-05T05:06:39Z |
dc.date.issued.fl_str_mv |
2022 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/241713 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001144197 |
url |
http://hdl.handle.net/10183/241713 |
identifier_str_mv |
001144197 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/241713/2/001144197.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/241713/1/001144197.pdf |
bitstream.checksum.fl_str_mv |
59377c25a6f1a885888c89dddfcdd226 d7972666eb5eafda2824d8b647f06c3a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224636837396480 |