XINFORMAÇÕES SOBRE DIREITOS AUTORAIS
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital
Título: CONSTRUCTIVE REGRESSION ON IMPLICIT MANIFOLDS Autor: MARINA SEQUEIROS DIAS
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Colaborador(es):
HELIO CORTES VIEIRA LOPES - ADVISOR
Nº do Conteudo: 21402
Catalogação: 27/03/2013 Idioma(s): PORTUGUESE - BRAZIL
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=21402@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=21402@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.21402
Resumo:
Título: CONSTRUCTIVE REGRESSION ON IMPLICIT MANIFOLDS Autor: MARINA SEQUEIROS DIAS
Nº do Conteudo: 21402
Catalogação: 27/03/2013 Idioma(s): PORTUGUESE - BRAZIL
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=21402@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=21402@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.21402
Resumo:
Manifold Learning Methods assume that a high-dimensional data set has a
low-dimensional representation. These methods can be employed in order
to simplify data, and to obtain a better understanding of the structure of
which the data belong. In this thesis, a tensor voting approach is employed
as a technique of manifold learning, to obtain information about the intrinsic
dimensionality of the data and reliable estimates of the orientation of normal
and tangent vectors at each data point in the manifold. Next, a constructive
method is proposed to approximate an implicit manifold and perform
a regression. The method is called Constructive Regression on Implicit
Manifold (RCVI). With the obtained results, search is made in order to
obtain a manifold approximation, which consists in a domain partition,
error-controlled, based on 2n-trees (n means the number of features of the
input data set) and binary partition trees with smooth transition functions.
The construction implies in partition the data set into several subsets in
order to approximate each subset with a simple implicit function. In this
work, it is used multivariate polynomial functions. The global shape can
be obtained by combining these simple structures. Each input data set is
associated with an output data, then, from a good manifold approximation
using those input data set, it is hoped that occurs a good estimate of the
output data. Therefore, the stop criteria of the domain subdivision include
a precision, deffined by the user, on the manifold approximation, as well
as a criterion that involves the output dispersion on each subdomain. To
evaluate the performance of the proposed method, a regression on real data
is computed, and compared with some supervised learning algorithms and
also an application on well data is performed.