Use este identificador para citar ou linkar para este item:
http://www.repositorio.ufal.br/jspui/handle/123456789/12656
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor1 | Pimentel, Bruno Almeida | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/5575405279834457 | pt_BR |
dc.contributor.referee1 | Silva, Rafael de Amorim | - |
dc.contributor.referee2 | Nascimento, Diego Carvalho do | - |
dc.creator | Fontes, Wagner da Silva | - |
dc.date.accessioned | 2023-11-27T17:21:35Z | - |
dc.date.available | 2023-11-10 | - |
dc.date.available | 2023-11-27T17:21:35Z | - |
dc.date.issued | 2023-05-31 | - |
dc.identifier.citation | FONTES, Wagner da Silva. Bayesian inference for uncertainty quantification in binary classification tasks with limited data. 2023. 49 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Instituto de Computação, Universidade Federal de Alagoas, Maceió, 2023. | pt_BR |
dc.identifier.uri | http://www.repositorio.ufal.br/jspui/handle/123456789/12656 | - |
dc.description.abstract | In recent years, Uncertainty Quantification has gained significant attention as an essential aspect of Machine Learning models, particularly in the context of decision-making and risk assessment. In this study, we provide a comprehensive investigation of the performance of Bayesian Inference for Uncertainty Quantification in binary classification problems with limited data, and we compare its effectiveness with alternative approaches, such as the uncertainty region and Conformal Inference methods. We apply Bayesian logistic regression models, as well as the other two methods, to various well-known small datasets. The performance of these approaches is evaluated using F1 scores at different levels of the uncertainty predicted by each method. Our results demonstrate that the Bayesian Inference approach not only exhibits competitive performance, particularly when using non-informative priors, but also provides a more flexible output in the form of a distribution, this adaptability enables a more comprehensive analysis of the results and can be leveraged in various ways to capture different levels of uncertainty. Despite the convergence challenges associated with small data sets and high-dimensional parameter spaces, the Bayesian models capture both epistemic and aleatoric uncertainties, offering a robust framework for understanding the underlying phenomena. In contrast, the uncertainty region and Conformal Inference methods display certain limitations, such as reduced training set size for Conformal Inference and inflexibility in the out put, which could potentially hinder their practical applications. Our findings highlight the potential of Bayesian Inference as an effective approach for Uncertainty Quantification in binary classification problems, even when faced with limited data. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Alagoas | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Curso de Ciências da Computação | pt_BR |
dc.publisher.initials | UFAL | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Inferência bayesiana | pt_BR |
dc.subject | Classificação binária | pt_BR |
dc.subject | Quantificação de incerteza | pt_BR |
dc.subject | Bayesian Inference | pt_BR |
dc.subject | Binary classification | pt_BR |
dc.subject | Quantification of uncertainty | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
dc.title | Bayesian inference for uncertainty quantification in binary classification tasks with limited data | pt_BR |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
dc.description.resumo | Nos últimos anos, a Quantificação de Incerteza emergiu como um componente essencial dos modelos de Aprendizado de Máquina, particularmente no contexto de tomada de decisões e avaliação de riscos. Neste trabalho, realizamos uma investigação abrangente sobre o desempenho da Inferência Bayesiana para a Quantificação de Incerteza em problemas de classificação binária com dados limitados. Aplicamos modelos de regressão logística bayesiana, bem como os outros dois métodos, a diversos conjuntos de dados pequenos e amplamente conhecidos. A performance dessas abordagens é avaliada utilizando a métrica F1S core e comparada em diferentes níveis de incerteza preditos por cada método. Nossos resultados demonstram que a abordagem de Inferência Bayesiana não apenas exibe um desempenho competitivo, mas também fornece uma saída mais flexível na forma de uma distribuição, que viabiliza uma análise mais completa dos resultados e pode ser utilizada de diversas maneiras para capturar diferentes níveis de incerteza. Apesar dos desafios de convergência associados a conjuntos de dados pequenos e espaços paramétricos complexos, os modelos bayesianos conseguem capturar tanto as incertezas epistêmicas quanto as aleatórias, oferecendo uma estrutura robusta para a compreensão dos fenômenos subjacentes. Em contrapartida, os métodos de região de incerteza e Inferência Conformal apresentam certas limitações, como o tamanho reduzido do conjunto de treinamento para Inferência Conformal e inflexibilidade na saída, que podem potencialmente dificultar suas aplicações práticas. Nossas descobertas destacam o potencial da Inferência Bayesiana como uma abordagem eficaz para a Quantificação de Incerteza em problemas de classificação binária, mesmo quando confrontada com a limitação de dados, com performance equiparável aos métodos frequentistas especialmente com a escolha de distribuições priori não informativas. | pt_BR |
Aparece nas coleções: | Trabalhos de Conclusão de Curso (TCC) - Bacharelado - CIÊNCIA DA COMPUTAÇÃO- IC |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Bayesian inference for uncertainty quantification in binary classification tasks with limited data.pdf | 1.78 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.