Trabalho de Conclusão de Curso

URI Permanente para esta coleção

https://repositorio.ifmg.edu.br/handle/20.500.14387/688

Navegar

Navegando Trabalho de Conclusão de Curso por Assunto "Aprendizado de máquina"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Eleições presidenciais de 2022: predições com dados de pesquisas eleitorais do Poder360 e PollingData
    (2023-09-01) Valentim, Gabriel de Paula; Doutor Carlos Alexandre Silva; Doutor Danilo Boechat Seufitelli
    As pesquisas eleitorais são uma ferramenta poderosa para captar as aspirações da população. Portanto, exploramos o potencial de combinar pesquisas eleitorais com algoritmos de previsão para a eleição presidencial brasileira de 2022. Especificamente, foi preterido determinar se a integração de técnicas de aprendizado de máquina pode produzir resultados superiores em comparação com as pesquisas eleitorais tradicionais de forma isolada. Nossos resultados mostram que os modelos de previsão exibiram desempenho promissor, superando os resultados dos institutos de pesquisa, principalmente no segundo turno. Essa abordagem revela uma opção promissora para prever futuras eleições, lançando luz sobre a previsão de resultados eleitorais.
  • Imagem de Miniatura
    Item
    Escolha automática da métrica de distância em problemas de regressão
    (0024-09-03) Rodrigues, Jonathan Felix ; Doutor Renato Miranda Filho
    Este trabalho examina a importância da escolha da medida de distância apropriada em algoritmos de aprendizado de máquina, especificamente em problemas de regressão. A distância euclidiana é comumente usada, mas o estudo descobriu que a medida de distância pode afetar o acerto do modelo de regressão e propõe duas soluções para determinar a medida apropriada. A primeira avalia a variância das distâncias entre instâncias, enquanto a segunda usa uma heurística que considera a linearidade entre as distâncias e as saídas obtidas. No total, avaliamos a escolha das medidas de distância (11 possibilidades) em 10 conjuntos de dados disponíveis publicamente. A heurística da linearidade teve uma maior correlação com a saída do regressor avaliado e, portanto, conseguiu escolher as melhores medidas a serem utilizadas nos conjuntos de dados avaliados neste trabalho.