Um classifcador baseado em programação por metas para triagem de COVID-19 considerando sintomas

Autores

  • Ricardo Soares Oliveira
  • Rodolfo de Carvalho Pacagnella
  • Washington A. Oliveira
  • Cristiano Torezzan

DOI:

https://doi.org/10.5540/03.2023.010.01.0108

Palavras-chave:

Classificação, Aprendizado de Máquina, Programação por Metas, COVID-19

Resumo

A categorização de dados em classes é uma tarefa comum em diversas áreas e também uma das principais aplicações de aprendizado de máquina (AM). Enquanto a maioria dos métodos de AM utiliza uma abordagem estatística, modelos de classicação baseados em programação matemática surgem como alternativas. Este trabalho investiga a ecácia de modelos inspirados em programação por metas para classicação supervisionada, tendo como motivação um problema de triagem de COVID-19 com base nos sintomas. Os resultados obtidos permitiram estraticar a previsão em categorias de decisão, além disso, os modelos testados responderam de forma satisfatória quando comparados a modelos clássicos, como a regressão logística e máquina de vetores suporte.

Downloads

Não há dados estatísticos.

Biografia do Autor

Ricardo Soares Oliveira

IMECC/UNICAMP, Campinas, SP e IFG, Itumbiara, GO

Rodolfo de Carvalho Pacagnella

FCM/UNICAMP, Campinas, SP

Washington A. Oliveira

FCA/UNICAMP, Limeira, SP

Cristiano Torezzan

FCA/UNICAMP, Limeira, SP

Referências

R. O. Ferguson A. Charnes W. W. Cooper. “Optimal estimation of executive compensation by linear programming”. Em: Management science 2 (1995), pp. 138–151. doi: 10.1287/mnsc.1.2.138.

WHO et al. Coronavirus disease (COVID-19), 21 September 2020. Online. Acessado em 25/03/2023, https://apps.who.int/.

A. Collins E C. Hand D. F. Jones. “A classification model based on goal programming with nonstandard preference functions with application to the prediction of cinema-going behaviour”. Em: European Journal of Operational Research 177.1 (2007), pp. 515–524.

N. Freede F. Glover. “Simple but powerful goal programming models for discriminant problems”. Em: European Journal of Operational Research 7.1 (1981), pp. 44–60. doi:10.1016/0377-2217(81)90048-5.

S. Menard. Applied Logistic Regression Analsis. 2a. ed. Houston: SAGE Publications, Inc, 2002. isbn: 10.4135/9781412983433.

A. I. Quezada. “Using Optimization Models to Achieve Solutions in Classication and Clustering Technique”. Dissertação de mestrado. Unicamp, 2020.

J. Dylan e T. Mehrdad. Practical goal programming. Vol. 141. Springer, 2010. isbn: 978-1441957702.

V. N. VAPNIK. The nature os statiscal learnning theory. Springer Briefs in Mathematics. Springer, 1999. isbn: 0-387-98780-0.

Downloads

Publicado

2023-12-18

Edição

Seção

Trabalhos Completos