Descrição
O presente trabalho investiga a aplicação do algoritmo de Curvas Principais (CP) K-segmentos, uma técnica não linear que representa dados multidimensionais por meio de curvas suaves unidimensionais. Considerando o desafio da otimização dos hiperparâmetros de CP, que impactam diretamente sua capacidade de modelagem e desempenho, foi utilizado o método Otimização do Lobo Cinzento para ajuste dos parâmetros do método. Utilizando o conjunto de dados público Iris, Wine, BreastCancer e Thyroid, o estudo compara o método K-segmentos com classificadores tradicionais, como Naïve Bayes (NB), Support Vector Machines (SVM) e Random Forest (RF). O método K-segmentos apresentou desempenho competitivo em relação aos métodos comparados. A otimização dos hiperparâmetros foi fundamental para aprimorar a capacidade preditiva das CP, destacando seu potencial como uma ferramenta para problemas de classificação.
| Selecione a modalidade do seu trabalho | Artigo Completo |
|---|
