Please use this identifier to cite or link to this item: http://monografias.ufrn.br/handle/123456789/7284
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorRabelo, Humberto-
dc.contributor.authorMedeiros, Moisés de-
dc.date.accessioned2018-09-14T10:14:29Z-
dc.date.available2018-09-14T10:14:29Z-
dc.date.issued2018-06-20-
dc.identifier2013048121pr_BR
dc.identifier.citationMedeiros, Moisés de. Seleção de principais atributos para redes neurais artificiais do tipo MLP: um estudo de caso sobre mineração de dados para diagnóstico de dengue / Moisés de Medeiros. - Caicó: UFRN, 2018. 79f.: il.pr_BR
dc.identifier.urihttp://monografias.ufrn.br/jspui/handle/123456789/7284-
dc.description.abstractThis study proposes to investigate which attributes are most significant for predicting the diagnosis of Dengue using attribute selection and MLP neural networks. In this study, a database was used by the SINAN Online - Notification of Injury Information System, of the Ministry of Health, which is a real database and public domain. The data preprocessing step was performed to optimize the base adaptation to the data mining algorithms.Feature selection was provided by selecting a ranking of best attributes according to the eight feature selection algorithms: ChiSquareAttributeEval, FilteredAttributeEval, GainRatioAttributeEval, InfoGainAttributeEval, OneRAttributeEval, ReliefFattributeEval, SVMAttributeEval, and SymmetricalUncertAttributeEval. Through the use of the MLP classifier algorithm, it was possible to identify the best attributes in the cross validation and normal validation approaches (with split 70%), testing the subset of the best attributes defined by the ranking. Thus, it was also possible to verify the performance improvement of the classifier and the consequent reduction of the dimensionality of the data after the selection of attributes.pr_BR
dc.languagept_BRpr_BR
dc.publisherUniversidade Federal do Rio Grande do Nortepr_BR
dc.rightsopenAccesspr_BR
dc.subjectDiagnóstico de Denguepr_BR
dc.subjectSeleção de atributospr_BR
dc.subjectMLPpr_BR
dc.subjectPré-processamento de dadospr_BR
dc.subjectMineração de Dadospr_BR
dc.titleSeleção de principais atributos para Redes Neurais Artificiais do tipo MLP: um estudo de caso sobre mineração de dados para diagnóstico de dengue.pr_BR
dc.typebachelorThesispr_BR
dc.contributor.advisor-co1Almir Mirandapr_BR
dc.contributor.referees1Rabelo, Humberto-
dc.contributor.referees2Miranda, Almir-
dc.description.resumoEste estudo se propõe a investigar quais atributos são mais significativos para predição do diagnóstico de Dengue utilizando seleção de atributos e redes neurais do tipo MLP. Neste estudo, foi utilizada uma base de dados do SINAN Online – Sistema de Informação de Agravos de Notificação, do Ministério da Saúde, que é uma base de dados real e de domínio público. A etapa de pré-processamento de dados foi realizada para otimizar a adaptação da base para os algoritmos de mineração de dados. A seleção de atributos se deu através da produção de um ranking de melhores atributos de acordo com oito algoritmos de seleção de atributos: ChiSquareAttributeEval, FilteredAttributeEval, GainRatioAttributeEval, InfoGainAttributeEval, OneRAttributeEval, ReliefFattributeEval, SVMAttributeEval e SymmetricalUncertAttributeEval. Através da utilização do algoritmo classificador MLP foi possível identificar quais os melhores atributos nas abordagens de validação cruzada e validação normal (com Split 70%), testando todo o subconjunto de melhores atributos definido pelo ranking. Dessa forma também foi possível verificar a melhoria de desempenho do classificador e a consequente redução da dimensionalidade dos dados após a seleção de atributos.pr_BR
dc.publisher.countryBrasilpr_BR
dc.publisher.departmentBacharelado em Sistemas de Informaçãopr_BR
dc.publisher.initialsUFRNpr_BR
dc.contributor.referees3Rabelo, Danieli S-
Appears in Collections:CERES - Sistemas de Informação

Files in This Item:
File Description SizeFormat 
SeleçãoDePrincipaisAtributos_Medeiros_2018.pdfTCC moisesmdrs7@gmail.com2.35 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.