Defesa de Mestrado de Giovani Frondana

Data: 
16/03/2017 - 10:00
Local: 
Auditório do IC 2 - Sala 85

Título: Comparação Empírica de 16 Algoritmos de Regressão em 59 Datasets

 

Banca Examinadora
Titulares (Professores Doutores) Unidade / Instituição
Jacques Wainer  IC/UNICAMP
Gustavo Enrique de Almeida Prado Alves Batista  ICMC/USP
Gerberth Adín Ramírez Rivera  IC/UNICAMP
Suplentes (Professores Doutores) Unidade / Instituição
Ricardo da Silva Torres  IC/UNICAMP
Eduardo Alves do Valle Junior  FEEC/UNICAMP

 

RESUMO           

Foram testados 16 algoritmos de regressão (random forest, support vector machine - linear, polinomial e radial -, 1-hidden-layer neural network, gradient boosting machine, k-nearest neighbor, generalized linear model com regularização lasso ou elasticnet, multivariate adaptive regression splines, cubist, relevance vector machine, partial least squares, principal component regression, extreme learning machine, RBF network e gaussian process) em 59 datasets reais, com as métricas MAE e MSE. Os algoritmos foram comparados segundo os testes de Friedman com post-hoc Nemenyi e Wilcoxon corrigido por Hommel e por meio de análise bayesiana. Os resultados sugerem que o melhor algoritmo de regressão é o cubist, ainda que para fins práticos, em datasets muito grandes, a melhor opção seja o gradient boosting machine.