• joel

• Rodrigo Moreira

• Camila Epprechet

• César Taconeli

• Paulo Justiniano

• Alvaro Veiga

árvores de decisão, regressão com transição suave, teste do tipo multiplicadores de Lagrange.

As Árvores de Classificação e Regressão compõem um conjunto de métodos de particionamento recursivo que geram regras de decisão para problemas de classificação e regressão que podem ser facilmente interpretadas. Algoritmos como o CHAID, CART, QUEST e C4.5, dentre outros, popularizaram estes métodos em várias comunidades científicas.

O grande poder preditivo destes métodos foi comprovado nas tradicionais competições KDD nas quais diversas metodologias exploratórias de dados concorrem para extração de conhecimento em diferentes bases. Mais recentemente, métodos de boosting e bagging potencializaram ainda mais o uso destes métodos.

• Bayesian Generalized Tree Models
• Model Trees for Rainfall-runoff modelling
• Tree Structured Smooth Transition Regression
• CART aplicado a Dados Espaciais com uso de GLM
• Comparação Regressão Logística x Árvore de Decisão
• Aplicação do CART na Área Médica

Dissertação de Mestrado de Bernardo Spindel

Tese de Doutorado de César Taconeli

Dissertação de Mestrado de Rodrigo Moreira

Star-Tree

require(rpart)
z.auto <- rpart(Mileage ~ Weight, car.test.frame)
post(z.auto, file = "")   # display tree on active device
   # now construct postscript version on file "pretty.ps"
   # with no title
post(z.auto, file = "pretty.ps", title = " ")
z.hp <- rpart(Mileage ~ Weight + HP, car.test.frame)
post(z.hp)

Analise de Cluster + Arvores de Classificação - Guilherme Brenner Atributos Químicos de Solos Atributos Químicos de Solos

dados<-read.csv2('http://www.leg.ufpr.br/~joel/dados/hiipertensao.csv',na.strings="")

Banco de Dados - Hipertensão

Nome das Variáveis - Hipertensão

Tree-Based Models Quick-R

• Translate matlab code to R code
• Self Starter functions to give initial values
• Use STR as inputs to Random Forests (Regression Problems)
• Bagging STR

[1996, book]

Ripley, B. D. (1996). Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press.