Download como arquivo ICAL
Doutorado: "Uma proposta baysesiana para categorização de texto com função de ligação assimétrica"
Sexta-feira 11 Outubro 2019, 10:00 - 14:00
Contato: Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.

Candidato: Hugo Miguel Agurto Mejía

 

Orientador: Profa. Dra. Márcia D'Elia Branco

 

Resumo: AGURTO, M. H. M. Uma proposta bayesiana para categorização de texto com função de ligação assimétrica. Tese (Doutorado) - Instituto de Matemática e Estatística, Universidade de São Paulo, São Paulo, 2019.

Um problema comum ao processar conjuntos de dados com um grande número de covariáveis em comparação com o tamanho da amostra é estimar satisfatoriamente os parâmetros associados a cada covariável. Quando o número de covariáveis ultrapassa largamente o tamanho da amostra, a
estimativa dos parâmetros torna-se muito difícil. Pesquisadores de muitos campos de investigação como, por exemplo, da área de categorização de texto, deparam-se com a tarefa de selecionar covariáveis importantes e evitar o sobreajuste (overtting ) do modelo. Neste trabalho, propormos o uso do modelo de regressão bayesiano com resposta binária e função de ligação assimétrica juntamente com distribuições a priori de encolhimento (shrinkage prior ) para os parâmetros de regressão. A estimação dos parâmetros é realizada usando o método Monte Carlo Hamiltoniano na extensão No-U-Turn Sampler (NUTS)(Homan e Gelman, 2014), utilizando o software Stan (Carpenter et al., 2017) no pacote R (R Development Core Team, 2012).


Palavras-chave: Categorização de texto, Distribuição a priori de encolhimento, Esparsidade, Ligação probito assimétrica.

Local Auditório "Antonio Gilioli"