Para citar este trabalho use um dos padrões abaixo:
Objetivo: Testar métodos de classificação supervisionada (um desenvolvido pela autora e outros já conhecidos) na predição de desfechos binários cujos dados apresentam ruído no rótulo (erros de classificação). Verificar métodos robustos para predição de dados reais referentes a diagnósticos cardiovasculares auto-referidos. Métodos: Conjuntos de dados foram simulados com diferentes configurações e conjuntos de dados reais foram obtidos da Pesquisa Nacional de Saúde (PNS) de 2019. A tais conjuntos de dados, foram aplicados o método LORC (Label nOise Robust Classification method), que é baseado no conceito de Árvore Geradora Mínima, e outros 5 métodos de aprendizagem de máquina popularmente utilizados: Regressão Logística, CART (Árvores de Classificação e Regressão), Florestas Aleatórias, SVM (Máquinas de Suporte de Vetores) e kNN (k Vizinhos mais próximos). A eficácia dos métodos foi avaliada pela acurácia na classificação dos dados. Resultados: Na maior parte dos cenários, SVM e kNN foram mais eficientes na classificação. O método LORC também apresentou bom desempenho em boa parte dos conjuntos de dados. Já a Regressão Logística e o CART foram os métodos que, em geral, apresentaram mais baixa acurácia na classificação dos dados com ruído no rótulo. Conclusões: Quanto maior o percentual de ruído no rótulo, menor a acurácia observada na classificação, o que demonstra relevância do tópico. Na área de saúde, dados de diagnósticos auto-referidos costumam apresentar este tipo de ruído. É importante conhecermos os métodos mais robustos nestes casos. Portanto, os resultados apresentados são relevantes e servem de base para futuros estudos que objetivem predição de tais diagnósticos.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo