Exploração e comparação de algoritmos de classificação em Machine Learning: uma abordagem estatística

• Autor(a) principal: Trindade, Mateus Oliveira Salvador da
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/handle/123456789/55980
• topic: Naive Bayes; K-Vizinhos mais Próximos; Random Forest; Aprendizado de Máquina; K-Nearest Neighbors; Machine Learning

Esse trabalho estuda a relação da Estatística com o Aprendizado de Máquina, especificamente no contexto de Métodos de Classificação, onde o computador deve aprender padrões estatísticos e computacionais com base nos dados propostos e conseguir classificar dados ainda não vistos com base em seu aprendizado. O banco de dados analisado nesse trabalho contém informações sobre pacientes com ou sem doenças no coração, em que o objetivo dos métodos é classificar novos pacientes, estimando se eles possuem ou não a doença. Os classificadores escolhidos para esse trabalho foram o Naive Bayes, K-Vizinhos mais próximos e o Random Forest. O desempenho foi medido através das métricas estatísticas acurácia, especificidade e sensitividade. Além disso, também foi medido o tempo de execução de cada classificador. No final, foi visto que o Random Forest obteve os melhores resultados nas métricas acurácia e sensitividade, apesar dos outros métodos alcançarem valores bastante próximos. Entretanto, também apresentou o pior resultado de tempo de execução. Dessa forma, é possível concluir que a seleção do melhor modelo, pode ser subjetiva, pois deve ser levado em consideração o contexto da aplicação e o poder computacional disponível.