1. Flaviane Peccin, Graduanda (UFPR)
2. Christine Cardozo de Araujo, Graduanda (UFPR)
3. Joel Maurício Corrêa da Rosa , Prof. Dr. (UFPR)

Geral : Aplicar técnicas multivariadas para encontrar possíveis fatores de risco para idosas hipertensas.

Específicos

1. Aplicar métodos de clusterização
2. Aplicar métodos de classificação
3. Comparar os métodos de classificação
4. Avaliar a importância das variáveis explicativas

• Regressão Logística
• Clusterização
• Análise Linear Discriminante
• Árvores de Decisão
• Redes Neurais Artificiais

Árvores de Decisão são extremamente úteis para revelar de forma simples, estruturas que são extremamente complexas. O pacote R dispõe de duas funções para o ajuste de árvores de decisão: tree e rpart.

Pela função rpart é possível construir árvores de decisão no mesmo espírito descrito em Breiman et al. (1984) na monografia CART (Classification and Regression Trees).

Este problema envolve um grande número de covariáveis e, portanto, uma das maiores dificuldades está na seleção do conjunto de preditoras. Métodos do tipo stepwise, embora sejam atraentes na prática podem conduzir à modelos enganosos.

A tarefa aqui, é integrar à construção do modelo a intervenção dos especialistas na área. Então um passo no processo iterativo de seleção de variáveis é retirar preditoras selecionadas automaticamente que não tenham sentido, de acordo com opinião especializada.

A função lda() presente no pacote MASS do R realiza análise linear discriminante. É importante notar que para a construção da função linear discriminante os preditores devem ser quantitativos e assume-se matrizes de covariância iguais nos grupos.

Redes Neurais Artificiais para classificação estão implementadas no pacote nnet() presente na biblioteca MASS do R.

Os desempenhos de diferentes métodos para a classificação são usualmente comparados por intermédio de experimentos de validação cruzada com 10-dobras. Estes consistem em utilizar 90% dos dados para treinamento e 10% para teste. Os métodos passam por aprendizado supervisionado utilizando a chamada amostra de treinamento composta pelos dados selecionados com esta finalidade e o ajuste final é testado na amostra de teste.

Banco de Dados - Hipertensão

• Medicina e Saúde - Pressão Arterial
• ABC da Saúde - Hipertensão Arterial: Crise Hipertensiva
• ABC da Saúde - Hipertensão Arterial: Introdução
• ABC da Saúde - Hipertensão Arterial: Investigação Clínica e Laboratorial
• ABC da Saúde - Hipertensão Arterial: Prevenção e Tratamento

• Data Mining com R - Universidade do Minho

• Using-R - parte 2

Pacote para Mapas Auto-Organizáveis (SOM) de Kohonen no R

# pacotes necessarios
require(MASS)
require(tree)# arvores de decisao
require(rpart)# arvores de decisao

# Leitura do conjunto de dados
dados<-read.csv2('http://www.leg.ufpr.br/~joel/dados/hiipertensao.csv',na.strings="")

# Re-expressão das variáveis
dados<-transform(dados,sexo=factor(sexo,labels=c('feminino','masculino')))

#Descritivo dos dados originais
summary(dados)
sapply(dados,class)
names(dados)

#separação por sexo
dad <- split(dados , dados$sexo)
dadfem <- dad[["feminino"]]
dadf <- na.omit(dadfem)

#verificação
summary (dados$sexo)
summary (dadfem$sexo)
summary (dadf$sexo)

#Verificar os nomes das variáveis
names(dadf)

[1998, book]

Johnson, R. A., & Wichern, D. W. (1998). Applied Multivariate Statistical Analysis Prentice Hall.

[2002, book]

Venables, W. N., & Ripley. (2002). Modern Applied Statistic with S. Springer.

Artigo: Fatores de Hipertensão usando Redes Neurais Kohonen

Apresentação: 05/09/2007 - Grupo II

Artigo: Projeto Bambuí-MG

Apresentação: 05/09/2007 - Grupo I

Acompanhamento Assessoria

Assessoria LAB I

• Modelo para Projeto de TCC
• Modelo Rnw para Projeto
• Modelo pdf para Projeto