K vizinhos mais próximos circular: uma nova proposta para predição de dados angulares
Fecha
2022-03-11Primeiro membro da banca
Prass, Taiane Schaedler
Segundo membro da banca
Silva, Augusto Maciel da
Metadatos
Mostrar el registro completo del ítemResumen
Dados circulares estão presentes em várias áreas da ciência e carecem de métodos estatísticos
específicos para seu tratamento. O cálculo de estatísticas descritivas para dados de natureza
linear, por exemplo, não resulta em valores adequados ou que possuam significado prático para
dados na circunferência. No âmbito de modelos de regressão, a literatura apresenta modelos de
regressão paramétricos para dados circulares, os quais fazem suposições de determinadas
distribuições de probabilidade circulares para seus ajustes. Por outro lado, na área de
aprendizado de máquina, uma abordagem de predição supervisionada para dados contínuos
envolve modelos de regressão não paramétricos, os quais podem não ser adequados para
situações em que a variável de interesse é circular. Neste contexto, o presente trabalho
objetivou desenvolver modelos preditivos não paramétricos para dados circulares baseados nos
conceitos de aprendizagem de máquina, qual seja, o k vizinhos mais próximos circular (CkNN
- circular k-nearest neighbors). Essa metodologia foi empregada no desenvolvimento de
algoritmos de aprendizado de máquina para dados circulares, na criação de modelos preditivos
e na predição de dados direcionais de vento em diferentes estações automáticas meteorológicas
de diversos municípios do estado do Rio Grande do Sul, além de um município da Bahia e
outro de Santa Catarina. A qualidade dos modelos escolhidos foi mensurada por meio de uma
medida de risco específica.
Colecciones
El ítem tiene asociados los siguientes ficheros de licencia: