Busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais.
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.
Main Authors: | , , , , |
---|---|
Other Authors: | |
Format: | Separatas biblioteca |
Language: | pt_BR por |
Published: |
2016-01-27
|
Subjects: | Regressão logística politômica, Seleção de variáveis explicativas, Polytomous logistic regression, Stepwise, Selection of explanatory variables, Regressão linear, Estatística agrícola, Sensoriamento remoto, Linear models, Remote sensing, |
Online Access: | http://www.alice.cnptia.embrapa.br/alice/handle/doc/1035294 |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
id |
dig-alice-doc-1035294 |
---|---|
record_format |
koha |
spelling |
dig-alice-doc-10352942017-08-16T03:36:06Z Busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais. LUIZ, A. J. B. MAIA, A. de H. N. SANCHES, I. D. A. GÜRTLER, S. SOUZA FILHO, C. R. de 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. Regressão logística politômica Seleção de variáveis explicativas Polytomous logistic regression Stepwise Selection of explanatory variables Regressão linear Estatística agrícola Sensoriamento remoto Linear models Remote sensing 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. 2016-01-27T11:11:11Z 2016-01-27T11:11:11Z 2016-01-27 2015 2016-01-27T11:11:11Z Separatas 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. http://www.alice.cnptia.embrapa.br/alice/handle/doc/1035294 pt_BR por openAccess |
institution |
EMBRAPA |
collection |
DSpace |
country |
Brasil |
countrycode |
BR |
component |
Bibliográfico |
access |
En linea |
databasecode |
dig-alice |
tag |
biblioteca |
region |
America del Sur |
libraryname |
Sistema de bibliotecas de EMBRAPA |
language |
pt_BR por |
topic |
Regressão logística politômica Seleção de variáveis explicativas Polytomous logistic regression Stepwise Selection of explanatory variables Regressão linear Estatística agrícola Sensoriamento remoto Linear models Remote sensing Regressão logística politômica Seleção de variáveis explicativas Polytomous logistic regression Stepwise Selection of explanatory variables Regressão linear Estatística agrícola Sensoriamento remoto Linear models Remote sensing |
spellingShingle |
Regressão logística politômica Seleção de variáveis explicativas Polytomous logistic regression Stepwise Selection of explanatory variables Regressão linear Estatística agrícola Sensoriamento remoto Linear models Remote sensing Regressão logística politômica Seleção de variáveis explicativas Polytomous logistic regression Stepwise Selection of explanatory variables Regressão linear Estatística agrícola Sensoriamento remoto Linear models Remote sensing 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. |
description |
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. |
author2 |
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. |
author_facet |
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. LUIZ, A. J. B. MAIA, A. de H. N. SANCHES, I. D. A. GÜRTLER, S. SOUZA FILHO, C. R. de |
format |
Separatas |
topic_facet |
Regressão logística politômica Seleção de variáveis explicativas Polytomous logistic regression Stepwise Selection of explanatory variables Regressão linear Estatística agrícola Sensoriamento remoto Linear models Remote sensing |
author |
LUIZ, A. J. B. MAIA, A. de H. N. SANCHES, I. D. A. GÜRTLER, S. SOUZA FILHO, C. R. de |
author_sort |
LUIZ, A. J. B. |
title |
Busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais. |
title_short |
Busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais. |
title_full |
Busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais. |
title_fullStr |
Busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais. |
title_full_unstemmed |
Busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais. |
title_sort |
busca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais. |
publishDate |
2016-01-27 |
url |
http://www.alice.cnptia.embrapa.br/alice/handle/doc/1035294 |
work_keys_str_mv |
AT luizajb buscaderelacoesquandoonumerodevariaveisemuitomaiorqueodeobservacoesocasodedadoshiperespectrais AT maiaadehn buscaderelacoesquandoonumerodevariaveisemuitomaiorqueodeobservacoesocasodedadoshiperespectrais AT sanchesida buscaderelacoesquandoonumerodevariaveisemuitomaiorqueodeobservacoesocasodedadoshiperespectrais AT gurtlers buscaderelacoesquandoonumerodevariaveisemuitomaiorqueodeobservacoesocasodedadoshiperespectrais AT souzafilhocrde buscaderelacoesquandoonumerodevariaveisemuitomaiorqueodeobservacoesocasodedadoshiperespectrais |
_version_ |
1756021962540318720 |