Classificação utilizando técnicas de aprendizado estatístico : estudo de casos

Abstract

Dois dos métodos mais modernos de classificação existentes são SVM (Support Vector Machines) e Boosting. O primeiro é um método que procura um hiperplano separador, seja no espaço natural dos dados, seja em um espaço de dimensão maior, a fim de tornar possível a tarefa de classificação. Já o Boosting é um método que aplica, sequencialmente, um determinado classificador em versões reponderadas do conjunto de dados de treinamento, dando maior peso às observações classificadas erroneamente na iteração anterior. Neste trabalho estuda-se os métodos descritos acima realizando-se uma análise comparativa com os métodos LDA (Linear Discriminant Analysis), QDA(Quadratic Discriminant Analysis) e KNN(k-Nearest Neighbors). A análise comparativa será realizada em quatro bases de dados com diferentes características, verificando quais são as limitações de cada método e qual classificador melhor se ajusta aos diferentes tipos de bases de dados. O estudo e implementação dos métodos contribuiu para a solidificação da ideia de que não existe um método melhor ou pior e sim o método mais adequado para determinado padrão de dados.