Académique Documents
Professionnel Documents
Culture Documents
Questão 04)
a)
function T = rocs(Y,n)
[m,p]=size(Y);
for j=1:p
In(j)=(max(Y(:,j))-min(Y(:,j)))/n;
T(1,j)= max(Y(:,j))-In(j);
for i= 2:n
T(i,j)= T(i-1,j)-In(j);
end
end
Questão 5)
function resp= classif_aproximar(Y)
[n,m]=size(Y);
for i= 1:n
t=(max(Y(i,:)));
f= find(Y(i,:)==t);
resp(i,1)=f
end
Questão 6)
Tabela requerida:
Método PLS-DA
1. Conjunto Wine_GC
Neste modelo de classificação, centrar na média foi o pré-processamento (x) que
obteve os melhores parâmetros quando comparado com os outros (MSC, Derivadas e
Auto-escalar). A predição de cada classe segue abaixo:
2. Conjunto Butter_MS
Neste modelo de classificação, centrar na média foi o pré-processamento (x) que
obteve os melhores parâmetros quando comparado com os outros (MSC, Derivadas e
Auto-escalar). A predição de cada classe segue abaixo:
3. Conjunto Cola
Neste modelo de classificação, centrar na média foi o pré-processamento (x) que
obteve os melhores parâmetros quando comparado com os outros (MSC, Derivadas e
Auto-escalar). A predição de cada classe segue abaixo:
Método SIMCA
1. Conjunto Wine_GC
Neste modelo de classificação, centrar na média foi o pré-processamento (x) que
obteve os melhores parâmetros quando comparado com os outros (MSC, Derivadas e
Auto-escalar). A predição de cada classe segue abaixo:
2. Conjunto Butter_MS
Neste modelo de classificação, a correção do espalhamento dinâmico (MSC) foi
o pré-processamento (x) que obteve os melhores parâmetros quando comparado com os
outros (Centrar na média, Derivadas e Auto-escalar). A predição de cada classe segue
abaixo:
3. Conjunto Cola
Neste modelo de classificação, o pré-processamento (x) de centrar na média foi
que obteve os melhores parâmetros quando comparado com os outros (MSC, Derivadas
e Auto-escalar). A predição de cada classe segue abaixo:
Método K-NN
1. Conjunto Wine_GC
Neste modelo de classificação, a correção do espalhamento dinâmico (MSC) foi
o pré-processamento (x) que obteve os melhores parâmetros quando comparado com os
outros (Centrar na média, Derivadas e Auto-escalar). A predição de cada classe segue
abaixo:
2. Conjunto Butter_MS
Neste modelo de classificação não foi necessário realizar algum pré-
processamento (x) pois foi o que obteve os melhores parâmetros quando comparado com
os outros (Centrar na média, MSC, Derivadas e Auto-escalar). A predição de cada classe
segue abaixo:
3. Conjunto Cola
Neste modelo de classificação não foi necessário realizar algum pré-
processamento (x) pois foi o que obteve os melhores parâmetros quando comparado com
os outros (Centrar na média, MSC, Derivadas e Auto-escalar). A predição de cada classe
segue abaixo:
Análise I
1. Conjunto Wine_GC
Pré-processamento utilizado neste conjunto: Centrar na média.
Gráfico dos scores (PC1 e PC2).
Gráfico dos Loadings (PC1 e PC2).
2. Conjunto butter_MS
Pré-processamento utilizado neste conjunto: Centrar na média.
Gráfico dos scores (PC1 e PC2).
Conjunto cola
Pré-processamento utilizado neste conjunto: Centrar na média e correção do
espalhamento dinâmico (MSC).
Gráfico dos scores (PC1 e PC2).
Análise II
1. Conjunto Wine_GC
Pré-processamento utilizado neste conjunto: Centrar na média e correção do
espalhamento dinâmico (MSC).
Gráfico dos scores (PC1 e PC2).
Gráfico dos Loadings (PC1 e PC2).
2. Conjunto butter_MS
Pré-processamento utilizado neste conjunto: Centrar na média e correção do
espalhamento dinâmico (MSC).
Gráfico dos scores (PC1 e PC2).