Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/38504
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2023_CarolinaMusso_tcc.pdf2,84 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorRodrigues, Guilherme Souza-
dc.contributor.authorMusso, Carolina-
dc.identifier.citationMUSSO, Carolina. Recalibration of Gaussian Neural Network regression models: the recalibratiNN package. 2023. 47 f., il. Trabalho de Conclusão de Curso (Bacharelado em Estatística) — Universidade de Brasília, Brasília, 2023.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2023.pt_BR
dc.description.abstractRedes Neurais Artificiais (ANNs) são modelos poderosos em aprendizado de representações, conhecidos por seu alto desempenho preditivo. No entanto, suas previsões não são calibradas, levando a estimativas de incerteza pouco confiáveis. Diversos métodos de recalibração foram propostos para abordar essa questão. Entretanto, implementar e selecionar a técnica apropriada pode ser desafiador. Este projeto teve como objetivo desenvolver um pacote em R que fornece uma implementação computacional de uma técnica quantílica de pós-processamento. As funções fornecidas podem recalibrar modelos Gaussianos, como redes neurais ajustadas com a função de perda MSE. O método faz uso das probabilidades cumulativas do modelo ajustado, permitindo a geração de amostras de Monte Carlo de uma distribuição preditiva desconhecida, mas recalibrada. O pacote recalibratriNN também inclui funções de diagnóstico para visualizar a falta de calibração. Acreditamos que a disponibilidade de um conjunto de ferramentas amigável e otimizado facilitará o processo de recalibração e incentivará pesquisadores e profissionais a obterem estimativas de incerteza confiáveis de seus modelos Gaussianos, permitindo e incentivando práticas de calibração.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.subject.keywordAprendizado do computadorpt_BR
dc.titleRecalibration of Gaussian Neural Network regression models : the recalibratiNN packagept_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2024-05-14T16:15:40Z-
dc.date.available2024-05-14T16:15:40Z-
dc.date.submitted2023-12-14-
dc.identifier.urihttps://bdm.unb.br/handle/10483/38504-
dc.language.isoInglêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Artificial Neural Networks (ANNs) are powerful models in representation learning, known for their high prediction performance. However, their predictions often lack proper calibration, leading to unreliable uncertainty estimation. Various methods have been proposed to address this issue, but implementing and selecting the appropriate technique can be challenging. This project aimed to develop an R package that provides a computational implementation of a quantile-based post-processing technique. The functions provided can recalibrate Gaussian models, such as neural networks adjusted with the MSE loss function. The method leverages information from cumulative probabilities, allowing the generation of Monte Carlo samples from the recalibrated predictive distribution. The recalibratriNN package also includes diagnostic functions to identify miscalibration. We believe the availability of a user-friendly and optimized toolset will facilitate the recalibration process and encourage researchers and practitioners to obtain reliable uncertainty estimates from their Gaussian models, thereby enabling and encouraging calibration practices.pt_BR
Aparece na Coleção:Estatística



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.