|
|
Registro Completo |
Biblioteca(s): |
Embrapa Meio Ambiente. |
Data corrente: |
27/01/2016 |
Data da última atualização: |
26/04/2023 |
Tipo da produção científica: |
Artigo em Anais de Congresso |
Autoria: |
LUIZ, A. J. B.; MAIA, A. de H. N.; SANCHES, I. D. A.; GÜRTLER, S.; SOUZA FILHO, C. R. de. |
Afiliação: |
ALFREDO JOSE BARRETO LUIZ, CNPMA; ALINE DE HOLANDA NUNES MAIA, CNPMA; IEDA DEL'ARCO SANCHES, INPE; SALETE GURTLER, INPE; CARLOS ROBERTO DE SOUZA FILHO, IG-UNICAMP. |
Título: |
Busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais. |
Ano de publicação: |
2015 |
Fonte/Imprenta: |
In: REUNIÃO ANUAL DA REGIÃO BRASILEIRA DA SOCIEDADE INTERNACIONAL DE BIOMETRIA, 60.; SIMPÓSIO DE ESTATÍSTICA APLICADA À EXPERIMENTAÇÃO AGRONÔMICA, 16., 2015, Presidente Prudente. A estatística e os novos desafios: tratamento e modelagem da informação: anais... Presidente Prudente: Sociedade Internacional de Biometria, 2015. 10 p. |
Idioma: |
Português |
Conteúdo: |
Resumo: Experimentos em que são coletadas muitas medidas em cada unidade experimental têm matrizes de dados nas quais o número de colunas (variáveis) é muito maior que o de linhas (observações). Dados hiperespectrais são habitualmente coletados por instrumentos que medem instantaneamente as reflectâncias de um alvo em milhares de comprimentos de onda e podemos considerar que cada uma delas constitui uma variável prognóstica num modelo de regressão. A facilidade na obtenção de cada vez maior número de variáveis simultâneas não se repete na obtenção das observações dessas variáveis. A análise de componentes principais (ACP) é indicada para tratar tal quantidade de variáveis e reduzir a dimensionalidade dos dados, mas sua aplicação ainda exige a obtenção de um grande número de medidas. Já a análise discriminante é usada na tentativa de classificar diferentes alvos, mas precisa ser precedida da seleção de um pequeno subconjunto de bandas, geralmente escolhidas com base em informações preexistentes e não nos próprios dados. A regressão linear permite empregar o método stepwise para selecionar um subconjunto de bandas, mas só é indicada para variáveis dependentes quantitativas. O presente trabalho propõe o uso da regressão logística politômica stepwise para selecionar um pequeno conjunto de bandas espectrais que discrimine alvos em k classes, quando a variável resposta de interesse é nominal. Apresentamos um exemplo no qual os dados espectrais são utilizados para construção de modelos logísticos com um pequeno número de preditores (bandas) para classificação de folhas verdes em classes correspondentes a três culturas agrícolas: soja perene, milho e braquiária. MenosResumo: Experimentos em que são coletadas muitas medidas em cada unidade experimental têm matrizes de dados nas quais o número de colunas (variáveis) é muito maior que o de linhas (observações). Dados hiperespectrais são habitualmente coletados por instrumentos que medem instantaneamente as reflectâncias de um alvo em milhares de comprimentos de onda e podemos considerar que cada uma delas constitui uma variável prognóstica num modelo de regressão. A facilidade na obtenção de cada vez maior número de variáveis simultâneas não se repete na obtenção das observações dessas variáveis. A análise de componentes principais (ACP) é indicada para tratar tal quantidade de variáveis e reduzir a dimensionalidade dos dados, mas sua aplicação ainda exige a obtenção de um grande número de medidas. Já a análise discriminante é usada na tentativa de classificar diferentes alvos, mas precisa ser precedida da seleção de um pequeno subconjunto de bandas, geralmente escolhidas com base em informações preexistentes e não nos próprios dados. A regressão linear permite empregar o método stepwise para selecionar um subconjunto de bandas, mas só é indicada para variáveis dependentes quantitativas. O presente trabalho propõe o uso da regressão logística politômica stepwise para selecionar um pequeno conjunto de bandas espectrais que discrimine alvos em k classes, quando a variável resposta de interesse é nominal. Apresentamos um exemplo no qual os dados espectrais são utilizados para construção de mod... Mostrar Tudo |
Palavras-Chave: |
Polytomous logistic regression; Regressão logística politômica; Seleção de variáveis explicativas; Selection of explanatory variables; Stepwise. |
Thesagro: |
Estatística agrícola; Regressão linear; Sensoriamento remoto. |
Thesaurus Nal: |
Linear models; Remote sensing. |
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/137863/1/2015AA009.pdf
|
Marc: |
LEADER 02972nam a2200277 a 4500 001 2035294 005 2023-04-26 008 2015 bl uuuu u00u1 u #d 100 1 $aLUIZ, A. J. B. 245 $aBusca de relações quando o número de variáveis é muito maior que o de observações$bo caso de dados hiperespectrais.$h[electronic resource] 260 $aIn: REUNIÃO ANUAL DA REGIÃO BRASILEIRA DA SOCIEDADE INTERNACIONAL DE BIOMETRIA, 60.; SIMPÓSIO DE ESTATÍSTICA APLICADA À EXPERIMENTAÇÃO AGRONÔMICA, 16., 2015, Presidente Prudente. A estatística e os novos desafios: tratamento e modelagem da informação: anais... Presidente Prudente: Sociedade Internacional de Biometria, 2015. 10 p.$c2015 520 $aResumo: Experimentos em que são coletadas muitas medidas em cada unidade experimental têm matrizes de dados nas quais o número de colunas (variáveis) é muito maior que o de linhas (observações). Dados hiperespectrais são habitualmente coletados por instrumentos que medem instantaneamente as reflectâncias de um alvo em milhares de comprimentos de onda e podemos considerar que cada uma delas constitui uma variável prognóstica num modelo de regressão. A facilidade na obtenção de cada vez maior número de variáveis simultâneas não se repete na obtenção das observações dessas variáveis. A análise de componentes principais (ACP) é indicada para tratar tal quantidade de variáveis e reduzir a dimensionalidade dos dados, mas sua aplicação ainda exige a obtenção de um grande número de medidas. Já a análise discriminante é usada na tentativa de classificar diferentes alvos, mas precisa ser precedida da seleção de um pequeno subconjunto de bandas, geralmente escolhidas com base em informações preexistentes e não nos próprios dados. A regressão linear permite empregar o método stepwise para selecionar um subconjunto de bandas, mas só é indicada para variáveis dependentes quantitativas. O presente trabalho propõe o uso da regressão logística politômica stepwise para selecionar um pequeno conjunto de bandas espectrais que discrimine alvos em k classes, quando a variável resposta de interesse é nominal. Apresentamos um exemplo no qual os dados espectrais são utilizados para construção de modelos logísticos com um pequeno número de preditores (bandas) para classificação de folhas verdes em classes correspondentes a três culturas agrícolas: soja perene, milho e braquiária. 650 $aLinear models 650 $aRemote sensing 650 $aEstatística agrícola 650 $aRegressão linear 650 $aSensoriamento remoto 653 $aPolytomous logistic regression 653 $aRegressão logística politômica 653 $aSeleção de variáveis explicativas 653 $aSelection of explanatory variables 653 $aStepwise 700 1 $aMAIA, A. de H. N. 700 1 $aSANCHES, I. D. A. 700 1 $aGÜRTLER, S. 700 1 $aSOUZA FILHO, C. R. de
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Meio Ambiente (CNPMA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registros recuperados : 1 | |
1. | | LUIZ, A. J. B.; MAIA, A. de H. N.; SANCHES, I. D. A.; GÜRTLER, S.; SOUZA FILHO, C. R. de. Busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais. In: REUNIÃO ANUAL DA REGIÃO BRASILEIRA DA SOCIEDADE INTERNACIONAL DE BIOMETRIA, 60.; SIMPÓSIO DE ESTATÍSTICA APLICADA À EXPERIMENTAÇÃO AGRONÔMICA, 16., 2015, Presidente Prudente. A estatística e os novos desafios: tratamento e modelagem da informação: anais... Presidente Prudente: Sociedade Internacional de Biometria, 2015. 10 p.Tipo: Artigo em Anais de Congresso |
Biblioteca(s): Embrapa Meio Ambiente. |
| |
Registros recuperados : 1 | |
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|