1. RI UFLA
  2. Programas de Pós-Graduação - Teses e Dissertações
  3. Estatística e Experimentação Agropecuária - Doutorado (Teses)
Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/12257
Full metadata record
DC FieldValueLanguage
dc.creatorPereira, Leandro da Silva-
dc.date.accessioned2017-02-07T11:49:40Z-
dc.date.available2017-02-07T11:49:40Z-
dc.date.issued2017-02-06-
dc.date.submitted2017-01-27-
dc.identifier.citationPEREIRA, L. da S. Geometria dos métodos de regressão LARS, LASSO e Elastic Net com uma aplicação em seleção genômica. 2017. 167 p. Tese (Doutorado em Estatística e Experimentação Agropecuária)-Universidade Federal de Lavras, Lavras, 2017.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/12257-
dc.description.abstractThe methods of estimation and variable selection in linear models, LASSO (Least Absolute Shrinkage and Selection Operator), LARS (Least Angle Regression) and Elastic Net, are addressed using emphasis in terms of a geometric approach. The present work proposes to be an auxiliary reading to the classic articles of Tibshirani, Hastie, Efron, Zou and Johnstone, presenting in more detail some of the results cited in such articles. Such a point of view does not occur in the basic literature regarding these methods, and in this sense the work represents an original contribution to the subject. Simulations using R code (glmnet package) are developed to study the behavior of the estimators. For a data set of Sus scrofa pork, 237 genetic markers (SNPs) are analyzed using the Elastic Net method, using as response the pork pH and carcass weight.pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsacesso abertopt_BR
dc.subjectRegressão linear – Geometriapt_BR
dc.subjectLinear regression – Geometrypt_BR
dc.subjectLeast Absolute Shrinkage and Selection Operator (LASSO)pt_BR
dc.subjectLeast Angle Regression (LARS)pt_BR
dc.subjectElastic netpt_BR
dc.titleGeometria dos métodos de regressão LARS, LASSO e Elastic Net com uma aplicação em seleção genômicapt_BR
dc.typetesept_BR
dc.publisher.programPrograma de Pós-Graduação em Estatística e Experimentação Agropecuáriapt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Chaves, Lucas Monteiro-
dc.contributor.referee1Chaves, Lucas Monteiro-
dc.contributor.referee2Sáfadi, Thelma-
dc.contributor.referee3Ferreira, Daniel Furtado-
dc.contributor.referee4Nunes, José Airton Rodrigues-
dc.contributor.referee5Silva, Fabyano Fonseca e-
dc.description.resumoOs métodos de estimação e seleção de variáveis em modelos lineares, LASSO (Least Absolute Shrinkage and Selection Operator), LARS (Least Angle Regression) e Elastic Net, são abordados utilizando ênfase em aspectos geométricos. O texto se propõe a ser uma leitura auxiliar aos artigos clássicos de Tibshirani, Hastie, Efron, Zou e Johnstone, apresentando de forma mais detalhada alguns dos resultados citados nos referidos artigos. Tal ponto de vista não ocorre na literatura básica relativa a estes métodos, e neste sentido o trabalho representa uma contribuição original ao assunto. Simulações utilizando a linguagem R (pacote glmnet) são desenvolvidas para se estudar o comportamento dos estimadores. Para um conjunto de dados de suínos Sus scrofa, são analisados 237 marcadores genéticos( SNPs) pelo método Elastic Net, para a resposta relativa ao pH da carne e peso de carcaça.pt_BR
dc.publisher.departmentDepartamento de Ciências Exataspt_BR
dc.subject.cnpqRegressão e Correlaçãopt_BR
dc.creator.Latteshttp://lattes.cnpq.br/4814551059025566pt_BR
Appears in Collections:Estatística e Experimentação Agropecuária - Doutorado (Teses)

Files in This Item:
File Description SizeFormat 
TESE_Geometria dos métodos de regressão LARS, LASSO e Elastic Net com uma aplicação em seleção genômica.pdf2,41 MBAdobe PDFView/Open
Show simple item record Recommend this item


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.