Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos

Página do item simplificado
dc.contributor.advisorSilva, Alisson Marques da
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3856358583630209
dc.contributor.authorSilva Júnior, Giovanni Amormino da
dc.contributor.authorLatteshttp://lattes.cnpq.br/4101804906796045
dc.contributor.refereeSilva, Alisson Marques da
dc.contributor.refereeLeite, Daniel Furtado
dc.contributor.refereeMaia, Eduardo Habib Bechelane
dc.contributor.refereeRodrigues, Thiago de Souza
dc.date.accessioned2025-04-11T12:11:58Z
dc.date.available2025-04-11T12:11:58Z
dc.date.issued2020-11-30
dc.description.abstractUma grande dificuldade enfrentada no desenvolvimento de aplicações que utilizam fluxos de dados para resolver problemas de previsão são os dados ausentes. Apesar de existirem técnicas para reduzir os impactos ocasionados por este problema, a maioria dos sistemas não são modelados de forma preventiva para possibilitar o tratamento adequado deste tipo de ocorrência. Neste contexto, este trabalho introduz uma nova abordagem denominada MDP (Missing Data Procedure) que possibilita que modelos evolutivos estimem as variáveis ausentes e, simultaneamente, realizem a previsão da saída utilizando todas as variáveis da amostra. A abordagem proposta foi implementada no eNFN (evolving Neo-Fuzzy Neuron) como um modelo de múltiplas entradas e múltiplas saídas e denominada eNFN-MDP. O MDP também foi implementado no ALMMo (Autonomous Learning Multi-Model), porém, como um modelo de múltiplas entradas e uma saída, chamado de ALMMo-MDP. Experimentos computacionais foram realizados em tarefas de previsão e identificação de sistemas não lineares em cenários de Ausência Completamente Aleatória (Missing Completely at Random – MCAR) e Ausência Aleatória (Missing at Random – MAR) para avaliar o desempenho do eNFN-MDP e do ALMMo-MDP. Os resultados obtidos foram comparados com métodos alternativos de imputação e mostraram que o eNFN-MDP e o ALMMo-MDP obtiveram um desempenho comparável ou superior ao das abordagens alternativas. Eles foram capazes de estimar as variáveis ausentes e realizar a previsão da saída com precisão. Portanto, os resultados experimentais sugerem a abordagem proposta como uma alternativa simples e eficiente como método de imputação para modelos evolutivos.
dc.description.abstractotherA great challenge in real-world applications driven use data streams to solve prediction problems is that of handling missing data. Although there are techniques to reduce the effects caused by this issue, most systems are not modeled in a preventive way to enable an adequate treatment of this type of occurrence. In this context, this work introduces a new approach called MDP (Missing Data Procedure). The proposed approach allow evolving systems to estimate missing values and, simultaneously, compute the output using all variables of the sample. The proposed approach was implemented in eNFN (evolving Neo-Fuzzy Neuron) as a model with multiple inputs and multiple outputs and called eNFNMDP. MDP was implemented in ALMMo (Autonomous Learning Multi-Model) as a model of multiple inputs and single output, called ALMMo-MDP. Computational experiments were performed aiming at forecasting and nonlinear systems identification in scenarios of Missing Completely at Random (MCAR) and Missing at Random (MAR) to evaluate the performance of eNFN-MDP and ALMMo-MDP. The results obtained were compared with alternative imputation methods. We have noticed that eNFN-MDP and ALMMo-MDP have similar or better performance than alternative approaches. They can estimate the missing values and accurately predict the output. Therefore, the experimental results suggest the proposed approach as a simple and efficient alternative for data imputation in evolving modeling.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/1169
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.initialsCEFET-MG
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacional
dc.subjectComputação evolutiva
dc.subjectFuzzy (Inteligência artificial)
dc.subjectLógica Fuzzy
dc.subjectEspecificações de sistemas e programas
dc.titleMétodo de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos
dc.typeDissertação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Método de imputação incremental, simples e eficiente para dados ausentes em sistemas evolutivos (2).pdf
Tamanho:
1.65 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.39 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

Mestrado em Modelagem Matemática e Computacional