ESTIMAÇÃO DO GRAU DE ASTIGMATISMO PELO MÉTODO SUPPORT VECTOR REGRESSION CORRELACIONADO

Autores

  • André Luiz Emidio de Abreu Centro Universitário Franciscano - FAE
  • Anselmo Chaves Neto Universidade Federal do Paraná – Depto de Estatística

DOI:

https://doi.org/10.12957/cadest.2016.27523

Resumo

DOI: 10.12957/cadest.2016.27523

Este trabalho apresenta a influência do coeficiente de correlação em modelos de regressão. Para o desenvolvimento, utilizou-se o método Support Vector Regression (SVR) como modelo de regressão. O método SVR foi aplicado em exames feitos em pacientes que possuem algum nível de astigmatismo. Para tanto, criou-se uma modificação na fase de ajuste do modelo de regressão, sendo introduzido o coeficiente de correlação linear, avaliando a correlação entre as variáveis preditoras: Ceratometria, subdividida em Eixo Mais Plano e Eixo Mais Curvo; e Refração, subdividido em Esfera e Cilíndrico, sendo o grau de astigmatismo a variável a ser prevista. O novo método proposto, nomeado SVR Correlacionado teve seus resultados comparados com o método convencional SVR, obtendo um desempenho superior, tanto na correlação dos modelos como no valor do erro cometido. Ao todo, utilizaram-se os dados de 26 pacientes com astigmatismo, sendo criadas duas configurações para o ajuste e teste, a primeira sendo composta de 20 observações para ajuste e seis para teste apresentando o erro RMSE = 0,035799, e a segunda composta de 16 observações na fase de ajuste e 10 no teste, gerando RMSE = 0,028518, em ambos os casos, inferiores aos erros gerados pelo método SVR convencional.

 

 

Biografia do Autor

André Luiz Emidio de Abreu, Centro Universitário Franciscano - FAE

Professor do ensino superior das disciplinas de Cálculo, Probabilidade e Estatistica, Pesquisa Operacional e Algebra Linear. Tem interesse nas áreas de regressão não linear múltipla, modelos lineares, séries temporáis e inferência estatística.

Referências

ABREU, A. L. E. Bootstrap e modelos de Support Vector Machine – SVM (Tese de doutorado em Métodos Numéricos em Engenharia). Universidade Federal do Paraná, Curitiba, Paraná, 2016.

BORIN, A. Aplicações de Máquinas de vetores de suporte por mínimos quadrados (LS-SVM) na quantificação de parâmetros de qualidade de matrizes lácteas. Tese de Doutorado (Química). Universidade Estadual de Campinas, 2007.

BOSER, B. E.; GUYON, I. M.; VAPNIK, V. N. A Training Algorithm for Optimal Margin Classiers. COLT '92 Proceedings of the fifth annual workshop on Computational learning theory, pag. 144-152. ACM New York, NY, USA. 1992.

CORTES, C. VAPNIK, V. Support-Vector Networks. Machine Learning, Volume 20, Número 3, Setembro/1995, pag. 273-297, Editora Springer,1995.

JONHSON, R. A.; WICHERN, D. W. Applied Multivariate Statistical Analysis. 2nd ed., Prentice-Hall Inc., New Jersey, 1988.

LORENA, A. C.; CARVALHO, A. C. P. L. F. Introdução às Máquinas de Vetores Suporte (Support Vector Machines). Relatórios técnicos do ICMC, Instituto de Ciências Matemáticas e de Computação, USP, 2003.

MAZUZE, A. N. F.; MENDES, R. T. Mudanças refrativas em pós-operatório de pacientes submetidos à cirurgia de Pterígio pela técnica de transplante conjuntival (Trabalho de conclusão de curso). Curso de Optometria. Universidade do Contestado, Unc. Canoinhas, SC. 2014.

MORALES, A. K.; SIMARI, G. R. Advances in Artificial Intelligence. IBERAMIA 2010: 12th Ibero-American Conference on AI, Bahía Blanca, Argentina, November 1 – 5 , 2010.

MOREIRA, A. T. R. Astigmatistmo. Arq. Bras. Oftalmol (online). Vol. 64, n. 3, 2001.

MOREIRA, S. M.; MOREIRA, L. Adaptação de lentes de contato em ceratocone. Ver. Sinopse da Oftalmologia. Ano 2 nº 1 São Paulo, SP 2000.

PARRELLA, F. Online Support Vector Regression. Master Science Thesis. Department of Information Science, University of Genoa, Italy, 2007.

SANTOS, L. T. Abordagem da máquina de vetor suporte otimizada por evolução diferencial aplicada à previsão de ventos. Dissertação de Mestrado (Engenharia Elétrica). Universidade Federal do Paraná, 2013.

SAPANKEVYCH, N. I.; SANKAR, R. Time Series Prediction Using Support Vector Machines: A Survey. IEEE Computational Intelligence Magazine, University of South Florida, USA, 2009.

SHAH, R. S. Least Squares Support Vector Machine. 2005.

SUYKENS, J. A. K.; VANDEWALLE, J. Least squares support vector machine classifiers. Neural Processing Letters, Springer Netherlands, v. 9, p.293 – 300, ISSN 1370-4621, 1999.

TRAFALIS, T. B.; SANTOSA, B.; RICHMAN, M. B. Learning networks in rainfall estimation. Computational Management Science. July 2005, Volume 2, Issue 3, pp 229-251.

VAPNIK, V. N.; CHERVONENKIS, A. Y. Theory of Pattern Recognition. Nauka, Moscow, 1974.

WANG, H.; HU, D. Comparison of SVM and LS-SVM for Regression. Neural Networks and Brain, ICNN&B '05. International Conference on , vol.1, no., pp.279,283, 13-15 Oct. 2005.

Downloads

Publicado

2017-05-25

Como Citar

Abreu, A. L. E. de, & Chaves Neto, A. (2017). ESTIMAÇÃO DO GRAU DE ASTIGMATISMO PELO MÉTODO SUPPORT VECTOR REGRESSION CORRELACIONADO. Cadernos Do IME - Série Estatística, 41, 15. https://doi.org/10.12957/cadest.2016.27523

Edição

Seção

Artigos Serie Estatística