Escolar Documentos
Profissional Documentos
Cultura Documentos
• classificação,
• regressão,
• clusterização,
• detecção de anomalias
Modelos de Regressão
Introdução a Regressão:
INSIGHTS
Encontra relações entre variáveis
ainda não percebidas.
O T I M I Z AR P R O C E S S O S CORREÇÃO DE ERROS
Análise da relação entre espera Fornece suporte quantitativo para decisões
ao telefone e reclamações. e evita erros baseados em intuições.
Modelos de Regressão
Introdução a Regressão:
Existem diversos tipos de modelos de regressão.
Conhecidos como G.L.M (Modelos Generalizados).
Modelos de Regressão Variável Dependente Distribuição
Regressão Linear Quantitativa Normal
Logística Binária Binária(Sucesso/Fracasso) Bernoulli
Logística Multinominal Categórica(>2) Binomial
Logística Ordinal Valores Ordenados Binomial
Regressão de Poisson Contagem/Taxa (+) Poisson
Regressão Binomial Negativa Contagem(-/+) Binomial Negativa
Exponencial
Regressão de Cox Tempo (Sobrevivência) Weibull
Log-Normal
Modelos de Regressão
Introdução a Regressão: *RStudio: 15 Tipos de Modelos de Regressão:
• Regressão Linear • Regressão de Componentes Principais
• Regressão Polinomial
• Regressão por Mínimos Quadrados Parciais
• Regressão Ridge
• Regressão Lasso • Regressão Vetorial de Suporte
• Regressão ElasticNet • Regressão de Poisson
• Regressão Quantílica • Regressão Binomail Negativa
• Regressão Logística • Regressão Quasi-Poisson
• Regressão Ordinal • Regressão de Cox
• Regressão Multinominal
Modelos de Regressão
Introdução a Regressão:
Modelos de Regressão Função
Regressão Linear 𝑌 = 𝛼 + 𝛽1 𝑋1𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖 + 𝜇𝑖
1
𝑓 𝑌 =
Logística Binária (0,1)
1 + 𝑒 −𝑌
𝑝
𝑙𝑛 = 𝑌 = 𝛼 + 𝛽1 𝑋1𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖
1−𝑝
𝑃(1|𝑋)
Logística Multinominal (0,1,2) (1) 𝑙𝑛 = 𝑌 = 𝛼 + σ 𝛽1𝑖 𝑋1𝑖
𝑃(0|𝑋)
𝑃(2|𝑋)
(2) 𝑙𝑛 = 𝑌 = 𝛼 + σ 𝛽2𝑖 𝑋2𝑖
𝑃(0|𝑋)
𝑒 𝑌
Logística Ordinal 𝑓 𝑌 =
1 + 𝑒 𝑌
Regressão de Poisson 𝑙𝑛 𝜆𝑖 = 𝑌 = 𝛼 + 𝛽1 𝑋1𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖
Regressão Binomial Negativa 𝑙𝑛 𝜆𝑖 = 𝑌 = 𝛼 + 𝛽1 𝑋1𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖 + 𝜇𝑖
Regressão de Cox 𝜆 𝑡 = 𝑌 = 𝜆0 (𝑡) + 𝑒 𝛽1 𝑋1𝑖 +⋯+𝛽𝑘𝑋𝑘𝑖
Modelos de Regressão
Introdução a Regressão:
Simples
Múltipla
Modelos de Regressão
Regressão Linear Simples:
• O erro em uma observação é não correlacionado com o erro em qualquer outra observação.
𝑉𝑎𝑟(𝜇𝑖 ) = 𝜎 2
• Os erros têm distribuição normal. 𝜇𝑖 ~𝑁 0, 𝜎 2
Modelos de Regressão
Regressão Linear Simples:
Modelos de Regressão
Regressão Linear Simples:
Modelos de Regressão
Modelos de Regressão
Selecionar o modelo:
0
TERLIPRESSINA - FORMA 0.00 2.95
FARMACEUTICA: INJETAVEL
1 VITAMINAS: PLURIVITAMIN 0.00 3.14
2
ETOXIPO-LIPROPILENOGLICOL + 60.00 7.85
ASSOSSIACOES
3
MEDICAMENTO MANDADO JUDICIAL 5.00 4.60
- PLURIMINERAL
4
FORMULA MANIPULADA - FORMA 0.00 2.93
FARMACEUTICA: CAPSULA
5
FORMULA MANIPULADA - SOLUCAO 218.46 296.35
OFTALMICA
6 CICLOBENZAPRINA 0.00 6.86
7
FERRO POLIMALTOSO - SOLUCAO 50.00 52.58
INJETAVEL
8 CETAPHIL 0.00 6.30
10
DACARBAZINA - FORMA 1.00 2.95
FARMACEUTICA
11 FEXOFENADINA 0.00 3.00
12
MEDICAMENTO MANDADO JUDICIAL 2.00 17.69
– ENVID
13 PERINDOPRIL 16.00 22.45
Obrigado a todos!!!
https://analyticsindiamag.com/top-6-regression-algorithms-used-data-mining-applications-industry/
https://www.newgenapps.com/blog/business-applications-uses-regression-analysis-advantages
https://igti.com.br/blog/machine-learning-na-pratica-como-escolher-seus-algoritmos/
https://www.newgenapps.com/blog/business-applications-uses-regression-analysis-advantages
https://www.analyticsvidhya.com/blog/2015/08/comprehensive-guide-regression/
https://mineracaodedados.wordpress.com/2014/06/05/passos-para-a-criacao-de-um-projeto-de-modelagem-preditiva/