Use este identificador para citar ou linkar para este item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1035294
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorLUIZ, A. J. B.pt_BR
dc.contributor.authorMAIA, A. de H. N.pt_BR
dc.contributor.authorSANCHES, I. D. A.pt_BR
dc.contributor.authorGÜRTLER, S.pt_BR
dc.contributor.authorSOUZA FILHO, C. R. dept_BR
dc.date.accessioned2016-01-27T11:11:11Zpt_BR
dc.date.available2016-01-27T11:11:11Zpt_BR
dc.date.created2016-01-27pt_BR
dc.date.issued2015pt_BR
dc.identifier.citationIn: 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.pt_BR
dc.identifier.urihttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1035294pt_BR
dc.descriptionResumo: 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.pt_BR
dc.language.isoporpt_BR
dc.rightsopenAccesspt_BR
dc.subjectRegressão logística politômicapt_BR
dc.subjectSeleção de variáveis explicativaspt_BR
dc.subjectPolytomous logistic regressionpt_BR
dc.subjectStepwisept_BR
dc.subjectSelection of explanatory variablespt_BR
dc.titleBusca de relações quando o número de variáveis é muito maior que o de observações: o caso de dados hiperespectrais.pt_BR
dc.typeArtigo em anais e proceedingspt_BR
dc.date.updated2016-01-27T11:11:11Zpt_BR
dc.subject.thesagroRegressão linearpt_BR
dc.subject.thesagroEstatística agrícolapt_BR
dc.subject.thesagroSensoriamento remotopt_BR
dc.subject.nalthesaurusLinear modelspt_BR
dc.subject.nalthesaurusRemote sensingpt_BR
riaa.ainfo.id1035294pt_BR
riaa.ainfo.lastupdate2016-01-27pt_BR
dc.contributor.institutionALFREDO 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.pt_BR
Aparece nas coleções:Artigo em anais de congresso (CNPMA)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2015AA009.pdf232.77 kBAdobe PDFThumbnail
Visualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace