Tabela de conteúdos

Modelos Estruturados por Árvores

Modelos Estruturados por Árvores

Participantes

palavras chaves

árvores de decisão, regressão com transição suave, teste do tipo multiplicadores de Lagrange.

Introdução

As Árvores de Classificação e Regressão compõem um conjunto de métodos de particionamento recursivo que geram regras de decisão para problemas de classificação e regressão que podem ser facilmente interpretadas. Algoritmos como o CHAID, CART, QUEST e C4.5, dentre outros, popularizaram estes métodos em várias comunidades científicas.

O grande poder preditivo destes métodos foi comprovado nas tradicionais competições KDD nas quais diversas metodologias exploratórias de dados concorrem para extração de conhecimento em diferentes bases. Mais recentemente, métodos de boosting e bagging potencializaram ainda mais o uso destes métodos.

Artigos

Trabalhos Acadêmicos

Dissertação de Mestrado de Bernardo Spindel

Tese de Doutorado de César Taconeli

Dissertação de Mestrado de Rodrigo Moreira

Recursos Computacionais

Star-Tree

require(rpart)
z.auto <- rpart(Mileage ~ Weight, car.test.frame)
post(z.auto, file = "")   # display tree on active device
   # now construct postscript version on file "pretty.ps"
   # with no title
post(z.auto, file = "pretty.ps", title = " ")
z.hp <- rpart(Mileage ~ Weight + HP, car.test.frame)
post(z.hp)

Conjuntos de Dados

Classificação de solos segundo atributos químicos

Analise de Cluster + Arvores de Classificação - Guilherme Brenner Atributos Químicos de Solos Atributos Químicos de Solos

Identificação de Fatores de Risco para Hipertensão

dados<-read.csv2('http://www.leg.ufpr.br/~joel/dados/hiipertensao.csv',na.strings="")

Banco de Dados - Hipertensão

Nome das Variáveis - Hipertensão

Tree-Based Models Quick-R

To do list

Referências Bibliográficas

[1996, book]
Ripley, B. D. (1996). Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press.