Misturas finitas de densidades de produtório de betas aplicadas em análise discriminante
DOI:
https://doi.org/10.34117/bjdv11n7-066Keywords:
análise discriminante, mistura finita, distribuição BetaAbstract
Neste trabalho é proposto o emprego de Mistura Finita de Produtório de Betas (MFPB) para modelagem das distribuições condicionais das classes em Análise Discriminante, restringimos o vetor de características ao caso tridimensional, visando o emprego em classificação de pixel em imagens digitais no espaço de cores RGB. Foram simulados problemas com diferentes estruturas quanto a sobreposição e distribuição das classes, analisando as Taxas de Erro de classificação. Uma aplicação em dados reais foi apresentada cujo objetivo é classificar os pixels de imagens como pertencente a um “bacilo” de Mycobacterium Tuberculosis ou “não bacilo”. De forma geral, o classificador MFPB, mostrou-se competitivo em relação aos classificadores mais usuais considerados no estudo. Revelando-se como uma alternativa promissora para os problemas de Análise Discriminante quando as observações das variáveis no vetor de características variam dentro do intervalo (0,1).
References
CABRAL, C. R. B., LACHOS, V. H. & PRATES, M. O. Multivariate mixture mode-ling using skew-normal independent distributions. Computational Statistics & Data Analysis, 56(1), 126–142, 2012.
COSTA, M. G. et al. Automatic identification of mycobacterium tuberculosis with conventional light microscopy. In Engineering in Medicine and Biology Society, EMBS 2008. 30th Anual International Conference of the IEEE, pages 382–385. IEEE, 2008.
GONZALES, R. C. & WOODS, R. E. Digital Image Processing. Prentice Hall, 2002.
HASTIE, T., TIBSHIRANI, R. & FRIEDMAN, J. Unsupervised learning. In The Elements of Statistical Learning, pages 485–585. Springer, 2009.
JI, Y., WU, C., LIU, P., WANG, J. & COOMBES, K. R. Applications of beta-mixture models in bioinformatics. Bioinformatics, 21(9), 2118–2122, 2005.
JOHNSON, R. A. & WICHERN, D. W. Applied multivariate statistical analysis. Prentice Hall, 6th edition, 2012.
KIMURA JUNIOR, A. Avaliação das métricas de autofoco para aplicação em imagens de baciloscopia de tuberculose obtidas utilizando microscopia de campo claro. Dissertação de Mestrado, FT/UFAM, 2010.
MA, Z. & LEIJON, A. Human skin color detection in rgb space with bayesian estimation of beta mixture models. In Signal Processing Conference, 18th European. IEEE, 2010.
MCLACHLAN, G. J. & PEEL, D. Finite mixture models. Wiley New York, Chichester, 2000.
NGUYEN, T. M. & WU, Q. J. A non-parametric bayesian model for bounded data. Pattern Recognition, 48(6), 2084–2095, 2015.
PRATES, M. O., LACHOS, V. H. & CABRAL, C. mixsmsn: Fitting finite mixture of scale mixture of skew-normal distributions. Journal of Statistical Software, 54, 1–20, 2013.
RIPLEY, B. D. Pattern recognition and neural networks. Cambridge university press, 1996.
