AVALIAÇÃO DO MÉTODO NAIVE BAYES NA CLASSIFICAÇÃO DE AMOSTRAS DA BASE DE DADOS ORIGINAL DO CÂNCER DE MAMA DE WISCONSIN
"2019-09-02 00:00:00" // app/Providers/../Base/Publico/Artigo/resources/show_includes/info_artigo.blade.php
App\Base\Administrativo\Model\Artigo {#1843 // app/Providers/../Base/Publico/Artigo/resources/show_includes/info_artigo.blade.php #connection: "mysql" +table: "artigo" #primaryKey: "id" #keyType: "int" +incrementing: true #with: [] #withCount: [] +preventsLazyLoading: false #perPage: 15 +exists: true +wasRecentlyCreated: false #escapeWhenCastingToString: false #attributes: array:35 [ "id" => 56601 "edicao_id" => 110 "trabalho_id" => 1127 "inscrito_id" => 2763 "titulo" => "AVALIAÇÃO DO MÉTODO NAIVE BAYES NA CLASSIFICAÇÃO DE AMOSTRAS DA BASE DE DADOS ORIGINAL DO CÂNCER DE MAMA DE WISCONSIN" "resumo" => "A ANÁLISE DE VARIÁVEIS E A ESCOLHA DE CRITÉRIOS COM A FINALIDADE DE TOMAR DECISÕES É UM PROCESSO COMPLEXO, POIS GERALMENTE OS DADOS APRESENTAM-SE DE FORMA IMPRECISA E INCOMPLETA, COM DIVERSOS AGENTES DE DECISÃO E OBJETIVOS QUE DIFICULTAM A TOMADA DE DECISÃO. O ALGORITMO NAIVE BAYES APRESENTA-SE COMO UM ÓTIMO TIPO DE ALGORITMO PARA GRANDES VALORES DE DADOS, TAMBÉM APRESENTA AGILIDADE NA EXECUÇÃO, TUDO ISTO QUANDO COMPARADO A OUTROS ALGORITMOS DE CLASSIFICAÇÃO. OBJETIVO: NESTE ESTUDO, FOI AVALIADO O DESEMPENHO DO MÉTODO DE DECISÃO NAIVE BAYES NA CLASSIFICAÇÃO DA BASE DE DADOS ORIGINAL DE WISCONSIN. METODOLOGIA: TRATA-SE DE UM ESTUDO DESCRITIVO E EXPLORATÓRIO, O QUAL UTILIZOU O MÉTODO NAIVE BAYES ATRAVÉS DO WEKA COM A UTILIZAÇÃO DAS TÉCNICAS DE CROSS-VALIDATION, PERCENTAGE SPLIT E RANDOM SEED PARA SEPARAÇÃO DOS DADOS DE TREINO DO TESTE. RESULTADOS E DISCUSSÃO: DIANTE DA REALIZAÇÃO DOS TESTES O QUE RESULTOU NO MELHOR KAPPA FOI O PERCENTAGE SPLIT COM SLIP 85% E RANDOM SEED 3 SENDO COEFICIENTE KAPPA=95,77%, JÁ O MENOR KAPPA FOI OBTIDO ATRAVÉS DO TESTE PERCENTAGE SPLIT COM SPLIT 75% E RANDOM SEED 1, SENDO COEFICIENTE KAPPA=89,09% EM TODOS OS TESTES REALIZADOS FOI OBTIDO UM COEFICIENTE KAPPA QUASE PERFEITO. CONSIDERAÇÕES FINAIS: O ALGORITMO NAIVE BAYES APRESENTA-SE COMO UM ÓTIMO CLASSIFICADOR DE DADOS, DESSA FORMA, VISTO QUE A BASE DE DADOS ANALISADA É DA ÁREA DE SAÚDE, SUGERE-SE QUE ESSA TÉCNICA SEJA EMPREGADA NA ÁREA DA CIÊNCIA DA SAÚDE A FIM DE UTILIZAR COMO CLASSIFICADOR PARA AUXILIAR NO PROCESSO DE TOMADA DE DECISÃO EM SAÚDE." "modalidade" => "Comunicação Oral (CO)" "area_tematica" => "AT 10: Ciências da Saúde: abordagens na pesquisa e no ensino" "palavra_chave" => "REDES BAYESIANAS., NAIVE BAYES, BASE DE DADOS WISCONSIN" "idioma" => "Português" "arquivo" => "TRABALHO_EV126_MD1_SA10_ID2763_11082019185652.pdf" "created_at" => "2020-05-28 15:53:52" "updated_at" => "2020-06-09 19:23:38" "ativo" => 1 "autor_nome" => "INGRID BERGMAM DO NASCIMENTO SILVA" "autor_nome_curto" => "INGRID BERGMAM" "autor_email" => "ingridgba2006@hotmail.com" "autor_ies" => "UNIVERSIDADE FEDERAL DA PARAÍBA" "autor_imagem" => "" "edicao_url" => "anais-iv-conapesc" "edicao_nome" => "Anais IV CONAPESC" "edicao_evento" => "IV Congresso Nacional de Pesquisa e Ensino em Ciências" "edicao_ano" => 2019 "edicao_pasta" => "anais/conapesc/2019" "edicao_logo" => "5e49fc4622961_16022020233654.png" "edicao_capa" => "5f1841846340e_22072020103916.jpg" "data_publicacao" => null "edicao_publicada_em" => "2019-09-02 00:00:00" "publicacao_id" => 28 "publicacao_nome" => "Anais do Conapesc" "publicacao_codigo" => "2525-6696" "tipo_codigo_id" => 1 "tipo_codigo_nome" => "ISSN" "tipo_publicacao_id" => 1 "tipo_publicacao_nome" => "ANAIS de Evento" ] #original: array:35 [ "id" => 56601 "edicao_id" => 110 "trabalho_id" => 1127 "inscrito_id" => 2763 "titulo" => "AVALIAÇÃO DO MÉTODO NAIVE BAYES NA CLASSIFICAÇÃO DE AMOSTRAS DA BASE DE DADOS ORIGINAL DO CÂNCER DE MAMA DE WISCONSIN" "resumo" => "A ANÁLISE DE VARIÁVEIS E A ESCOLHA DE CRITÉRIOS COM A FINALIDADE DE TOMAR DECISÕES É UM PROCESSO COMPLEXO, POIS GERALMENTE OS DADOS APRESENTAM-SE DE FORMA IMPRECISA E INCOMPLETA, COM DIVERSOS AGENTES DE DECISÃO E OBJETIVOS QUE DIFICULTAM A TOMADA DE DECISÃO. O ALGORITMO NAIVE BAYES APRESENTA-SE COMO UM ÓTIMO TIPO DE ALGORITMO PARA GRANDES VALORES DE DADOS, TAMBÉM APRESENTA AGILIDADE NA EXECUÇÃO, TUDO ISTO QUANDO COMPARADO A OUTROS ALGORITMOS DE CLASSIFICAÇÃO. OBJETIVO: NESTE ESTUDO, FOI AVALIADO O DESEMPENHO DO MÉTODO DE DECISÃO NAIVE BAYES NA CLASSIFICAÇÃO DA BASE DE DADOS ORIGINAL DE WISCONSIN. METODOLOGIA: TRATA-SE DE UM ESTUDO DESCRITIVO E EXPLORATÓRIO, O QUAL UTILIZOU O MÉTODO NAIVE BAYES ATRAVÉS DO WEKA COM A UTILIZAÇÃO DAS TÉCNICAS DE CROSS-VALIDATION, PERCENTAGE SPLIT E RANDOM SEED PARA SEPARAÇÃO DOS DADOS DE TREINO DO TESTE. RESULTADOS E DISCUSSÃO: DIANTE DA REALIZAÇÃO DOS TESTES O QUE RESULTOU NO MELHOR KAPPA FOI O PERCENTAGE SPLIT COM SLIP 85% E RANDOM SEED 3 SENDO COEFICIENTE KAPPA=95,77%, JÁ O MENOR KAPPA FOI OBTIDO ATRAVÉS DO TESTE PERCENTAGE SPLIT COM SPLIT 75% E RANDOM SEED 1, SENDO COEFICIENTE KAPPA=89,09% EM TODOS OS TESTES REALIZADOS FOI OBTIDO UM COEFICIENTE KAPPA QUASE PERFEITO. CONSIDERAÇÕES FINAIS: O ALGORITMO NAIVE BAYES APRESENTA-SE COMO UM ÓTIMO CLASSIFICADOR DE DADOS, DESSA FORMA, VISTO QUE A BASE DE DADOS ANALISADA É DA ÁREA DE SAÚDE, SUGERE-SE QUE ESSA TÉCNICA SEJA EMPREGADA NA ÁREA DA CIÊNCIA DA SAÚDE A FIM DE UTILIZAR COMO CLASSIFICADOR PARA AUXILIAR NO PROCESSO DE TOMADA DE DECISÃO EM SAÚDE." "modalidade" => "Comunicação Oral (CO)" "area_tematica" => "AT 10: Ciências da Saúde: abordagens na pesquisa e no ensino" "palavra_chave" => "REDES BAYESIANAS., NAIVE BAYES, BASE DE DADOS WISCONSIN" "idioma" => "Português" "arquivo" => "TRABALHO_EV126_MD1_SA10_ID2763_11082019185652.pdf" "created_at" => "2020-05-28 15:53:52" "updated_at" => "2020-06-09 19:23:38" "ativo" => 1 "autor_nome" => "INGRID BERGMAM DO NASCIMENTO SILVA" "autor_nome_curto" => "INGRID BERGMAM" "autor_email" => "ingridgba2006@hotmail.com" "autor_ies" => "UNIVERSIDADE FEDERAL DA PARAÍBA" "autor_imagem" => "" "edicao_url" => "anais-iv-conapesc" "edicao_nome" => "Anais IV CONAPESC" "edicao_evento" => "IV Congresso Nacional de Pesquisa e Ensino em Ciências" "edicao_ano" => 2019 "edicao_pasta" => "anais/conapesc/2019" "edicao_logo" => "5e49fc4622961_16022020233654.png" "edicao_capa" => "5f1841846340e_22072020103916.jpg" "data_publicacao" => null "edicao_publicada_em" => "2019-09-02 00:00:00" "publicacao_id" => 28 "publicacao_nome" => "Anais do Conapesc" "publicacao_codigo" => "2525-6696" "tipo_codigo_id" => 1 "tipo_codigo_nome" => "ISSN" "tipo_publicacao_id" => 1 "tipo_publicacao_nome" => "ANAIS de Evento" ] #changes: [] #casts: array:14 [ "id" => "integer" "edicao_id" => "integer" "trabalho_id" => "integer" "inscrito_id" => "integer" "titulo" => "string" "resumo" => "string" "modalidade" => "string" "area_tematica" => "string" "palavra_chave" => "string" "idioma" => "string" "arquivo" => "string" "created_at" => "datetime" "updated_at" => "datetime" "ativo" => "boolean" ] #classCastCache: [] #attributeCastCache: [] #dates: [] #dateFormat: null #appends: [] #dispatchesEvents: [] #observables: [] #relations: [] #touches: [] +timestamps: false #hidden: [] #visible: [] +fillable: array:13 [ 0 => "edicao_id" 1 => "trabalho_id" 2 => "inscrito_id" 3 => "titulo" 4 => "resumo" 5 => "modalidade" 6 => "area_tematica" 7 => "palavra_chave" 8 => "idioma" 9 => "arquivo" 10 => "created_at" 11 => "updated_at" 12 => "ativo" ] #guarded: array:1 [ 0 => "*" ] }