Defesa de Mestrado de Giovani Frondana

Título do Trabalho
Comparação Empírica de 16 Algoritmos de Regressão em 59 Datasets
Candidato(a)
Giovani Frondana
Nível
Mestrado
Data
16/03/20172017-03-15 21:00:00 2017-03-15 21:00:00 Defesa de Mestrado de Giovani Frondana Comparação Empírica de 16 Algoritmos de Regressão em 59 Datasets Auditório do IC 2 - Sala 85 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
10:00
Local
Auditório do IC 2 - Sala 85
Orientador(a)
Jacques Wainer
Banca Examinadora

Titulares:
Jacques Wainer (IC/UNICAMP)
Gustavo Enrique de Almeida Prado Alves Batista (ICMC/USP)
Gerberth Adín Ramírez Rivera (IC/UNICAMP)
Suplentes:
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.