Horario de Consultas e Dados do Gabriel
- Horario de Consultas
- Sabados das 16 ás 17 horas
- Link:
https://meet.google.com/xgf-jman-pyv
- Whatsapp do Gabriel: 019-988-627-438
- E-Mail do Gabriel: gasarrie@usp.br
quarta-feira, 20 de setembro de 2023
segunda-feira, 18 de setembro de 2023
Exemplo de Regressão no Excel (introdução a Machine Learnig para Predição):
Exemplo de Regressão no Excel (introdução a Machine Learnig para Predição):
Biomonitor Garcina gardineriana (folhas) para As na Mata Atlântica
Dados para Importar:
Distan. | As |
(m) | (mg/kg) |
100 | 0,98 |
200 | 0,95 |
300 | 0,85 |
400 | 0,86 |
500 | 0,59 |
600 | 0,45 |
700 | 0,32 |
800 | 0,15 |
900 | 0,11 |
1000 | 0,09 |
Coeficiente Linear = 1,1733
É o ponto em que a reta corta o eixo Y, ou o valor do Y (Concentração de As) quando o X é igual a zero (Distancia da Rodovia igual a zero)
Simulação de Distancia da Rodovia e Concentração de Arsênio:
Utilizando a equação da Reta de Regressão estimada: y = -0,0012x + 1,1733.
Quando a Distancia se aproxima de 0 a Concentração de Arsênio se aproxima de 1,1733 mg/Kg.
É o ponto em que a reta corta o eixo Y, ou o valor do Y (Concentração de As) quando o X é igual a zero (Distancia da Rodovia igual a zero)
Simulação de Distancia da Rodovia e Concentração de Arsênio:
Utilizando a equação da Reta de Regressão estimada: y = -0,0012x + 1,1733.
Quando a Distancia se aproxima de 0 a Concentração de Arsênio se aproxima de 1,1733 mg/Kg.
Coeficiente Angular ou Coeficiente de Regressão = -0,0012
Como o Coef. Angular é menor que zero, então a reta é decrescente.
Também podemos dizer que a cada incremento de 1 metro na distancia da rodovia temos um decréscimo de 0,0012 mg/kg de As nas folhas.
Como o Coef. Angular é menor que zero, então a reta é decrescente.
Também podemos dizer que a cada incremento de 1 metro na distancia da rodovia temos um decréscimo de 0,0012 mg/kg de As nas folhas.
Coeficiente de Determinação ou R Quadrado = 0,9593
Se Coef. Determinação:
0-0,2 = Muito Ruim o Modelo
0,2-0,4 = Ruim
0,4-0,6 = Regular (nem bom nem ruim)
0,6-0,8 = Bom
0,8 - 1 = Muito Bom
O coeficiente de determinação, também chamado de R², é uma medida de ajustamento de um modelo estatístico linear generalizado, como a Regressão linear, em relação aos valores observados. O R² varia entre 0 e 1, indicando, em percentagem, o quanto o modelo consegue explicar os valores observados. Quanto maior o R², mais explicativo é modelo, melhor ele se ajusta à amostra.
0-0,2 = Muito Ruim o Modelo
0,2-0,4 = Ruim
0,4-0,6 = Regular (nem bom nem ruim)
0,6-0,8 = Bom
0,8 - 1 = Muito Bom
O coeficiente de determinação, também chamado de R², é uma medida de ajustamento de um modelo estatístico linear generalizado, como a Regressão linear, em relação aos valores observados. O R² varia entre 0 e 1, indicando, em percentagem, o quanto o modelo consegue explicar os valores observados. Quanto maior o R², mais explicativo é modelo, melhor ele se ajusta à amostra.
Por exemplo, se o R² de um modelo é 0,8234, isto significa que 82,34% da variável dependente consegue ser explicada pelos regressores presentes no modelo. Fonte Wikipedia.
Saida da Macro do Excel para Regressão
Âmbito cientifico
Resultados e Discussão
O nível de As nas folhas do biomonitor diminui quando aumenta a distância da Rodovia Anchieta, o coeficiente de regressão, foi -0,00116, altamente significativo ( p < 0,0001), Figura 1.
Âmbito Corporativo
O nível de As nas folhas do biomonitor diminui quando aumenta a distância da Rodovia Anchieta, o coeficiente de regressão, foi -0,00116, com alto nível de confiança (99,999%), Figura 1.
Distan. | As |
(m) | (mg/kg) |
100 | 0,98 |
200 | 0,95 |
300 | 0,85 |
400 | 0,86 |
500 | 0,59 |
600 | 0,45 |
700 | 0,32 |
800 | 0,15 |
900 | 0,11 |
1000 | 2,99 |
Era 0,09
Programa SAS - Regressão Robusta
Data Biomonit;
Input Distanci As;
cards;
100 0.98
200 0.95
300 0.85
400 0.86
500 0.59
600 0.45
700 0.32
800 0.15
900 0.11
1000 2.99
;
Proc print;
Run;
proc robustreg method=m;
model As = Distanci;
run;
Saida do Programa SAS - Regressão Robusta
Dinâmica de IA Indutiva Supervisionada para Classificação - Ratos - Weka
Dinâmica de IA Indutiva Supervisionada para Classificação - Ratos - Weka
Arquivo Hantavirus/Ratos para download:
Resultado das Analises - pdf para Download:
Aquivo Tipo Texto (Gravar em Arquivo de Notas - Notes)
@RELATION Hantav
@ATTRIBUTE MasaCorp REAL
@ATTRIBUTE CompCaud REAL
@ATTRIBUTE OuviExt REAL
@ATTRIBUTE PataPost REAL
@ATTRIBUTE PataAnte REAL
@ATTRIBUTE CorpCabe REAL
@ATTRIBUTE Class {0,1}
@DATA
107.4,91.7,13.11,27,19.4,141,0
107.3,90.79,12.97,24.3,19,141.7,0
107.4,90.79,12.97,26.1,19.2,142.2,0
107.4,90.79,12.96,22.5,20.8,142,0
107.5,90.72,12.97,31.2,15.4,141.8,0
107.85,91.56,13.05,27,20.2,141.4,0
107.75,90.65,12.97,23.7,19.2,141.6,0
107.25,90.72,12.92,21.6,21.4,141.7,0
107.45,90.58,12.97,24.6,22,141.9,0
107.6,91.28,13.03,27.6,20,140.7,0
107.65,91.28,13.03,23.7,23.4,141.8,0
107.55,90.65,12.96,23.1,21,142.2,0
107.6,91.56,12.96,23.7,21.6,141.4,0
107.35,90.79,12.97,23.1,21.8,141.7,0
107.55,90.93,12.97,23.1,21.6,141.8,0
107.25,90.86,12.98,27.9,17,141.6,0
107.3,90.93,13.01,24.6,19.6,141.7,0
107.5,90.93,12.97,27,18,141.9,0
107.6,90.72,12.96,22.2,23,141.5,0
107.35,91.14,12.99,25.8,20,141.9,0
107.5,90.93,12.93,25.2,20,141.4,0
107.8,91.35,13,24.3,20.6,141.6,0
107.65,91.42,13,25.2,21.6,141.5,0
107.85,91.14,13,26.1,20,141.6,0
107.55,90.79,12.99,22.2,21.6,141.1,0
107.65,91.28,13.04,24,22,142.3,0
107.75,91.14,13.01,26.7,19.6,142.4,0
107.55,91.21,13.03,29.4,19,141.9,0
107.55,91,13,22.2,21,141.8,0
107.4,90.79,12.93,24.9,18,142,0
107.6,91.07,12.98,23.7,21.4,141.8,0
107.4,90.79,12.97,25.8,18.2,142.3,0
107.5,91,12.96,23.1,21,140.7,0
107.8,91.28,13.01,25.2,20.6,141,0
107.95,91.28,13,26.7,21.2,141.4,0
107.3,91.14,13.02,28.2,19.4,141.8,0
107.75,91.21,13,25.2,19.4,141.8,0
107.65,90.93,12.94,23.7,20,142,0
107.65,91.21,13.01,25.5,18.6,142.1,0
106.95,91.21,12.9,24.3,19.4,141.3,0
107.2,90.86,12.92,26.7,18.8,142.3,0
107.4,91.07,12.96,26.4,19.8,140.9,0
107.45,90.72,12.94,27.9,18,141.7,0
107.45,91.28,12.97,27,19.6,140.9,0
107.4,90.58,12.91,24.6,20.4,141,0
107.15,90.65,12.94,24.9,20.4,141.8,0
107.4,90.93,12.97,24.9,20.4,141.5,0
107.4,90.93,12.97,21.9,21.8,142,0
107.3,90.79,12.98,23.7,20.6,141.1,0
107.25,90.3,12.96,23.4,19.6,142,0
107.3,90.86,12.94,21.6,20,141.3,0
107.65,91.42,13,28.5,19.4,141.1,0
107.25,91.07,13,23.4,21.8,140.9,0
107.7,91.14,13.02,22.8,21.8,141.6,0
107.25,90.58,12.95,23.7,20,141.4,0
107.6,90.79,12.94,27.6,18.8,142,0
107.85,91,12.94,27.6,20.8,141.2,0
107.5,90.72,12.94,26.4,18,141.1,0
107.55,91.07,12.99,23.7,22,141.3,0
107.55,91,12.98,24.6,20.6,141.4,0
107.55,90.72,12.93,24.9,19.8,141.6,0
107.65,90.79,12.94,22.5,21,141.5,0
107.7,90.86,12.94,24,21.2,141.5,0
107.25,91,12.95,24,21.6,141.4,0
107.5,91,12.98,25.8,21.2,141.5,0
107.6,91.42,13,26.4,21.2,140.8,0
107.3,90.65,12.92,23.1,20.6,141.3,0
107.4,90.79,12.93,27.3,19,141.5,0
107.55,90.72,12.98,25.8,19.6,141.8,0
107.45,91.14,13.02,24,22.4,139.6,0
106.9,90.86,12.95,25.2,22.2,140.9,0
107.6,90.93,12.95,24.6,20.6,141.4,0
107.5,90.72,13.02,26.1,20,141.2,0
107.2,90.93,12.96,22.5,21,141.8,0
107.6,90.93,12.97,21.6,21.2,142.1,0
107.05,90.72,12.93,22.8,21.4,141.7,0
107.45,90.93,13.01,26.4,20,141.2,0
107.3,90.86,12.94,22.2,21.2,141,0
107.6,91.35,12.98,23.7,21.8,140.9,0
107.3,90.93,12.94,23.7,20,141.8,0
107.55,90.79,12.97,25.8,20.6,140.6,0
107.45,90.86,12.96,22.5,20.6,141,0
107.6,90.79,12.91,27,19.4,141.9,0
107.6,91.07,12.99,23.7,21.6,141.3,0
107.7,91.49,13.02,27,22.2,141.2,0
107.55,90.93,12.96,26.7,20.4,141.5,0
107.6,90.93,12.97,26.1,19,141.6,0
107.5,90.72,12.92,25.2,20.4,142.1,0
107.45,91.21,12.99,22.2,22.4,141.5,0
107.5,90.93,12.97,24,21,142,0
107.35,90.79,12.93,25.8,19.2,141.6,0
107.7,91,12.99,25.5,19.4,141.4,0
107.45,90.58,12.95,24.6,19.8,141.5,0
107.25,90.65,12.93,22.2,21.4,141.5,0
107.35,90.72,12.95,24.9,20,142,0
107.8,90.93,12.99,27,19,141.7,0
107.5,91.28,13.03,27.3,20.4,141.1,0
107.2,90.79,12.95,24,20.6,141.2,0
107.55,91,12.98,27.3,20.4,141.5,0
107.35,91,12.94,23.4,20,141.2,0
107.2,91.07,13.03,29.1,23.4,139.8,1
107.45,91.35,13.02,33,23,139.5,1
107.45,91.21,13.01,26.1,23.4,140.2,1
107.5,91.28,13.06,29.7,21.8,140.3,1
107.35,91.14,13.03,35.4,21.8,139.7,1
107.5,91.14,13.02,31.8,21.4,139.9,1
107.65,91.21,13.01,27.9,24.2,140.2,1
107.4,91.07,13.04,29.4,23,139.9,1
107.5,91.14,12.99,30,23.8,139.4,1
107.6,91.42,13.08,31.2,22.4,140.3,1
107.6,91.28,13.03,24,23,139.2,1
107.55,91.35,13.03,31.8,23,140.1,1
107.7,91.49,13.11,29.1,23.6,140.6,1
107.45,91.28,12.99,34.2,22,139.9,1
107.55,91.21,13,31.8,21.6,139.7,1
107.75,91.28,13,24.6,22.4,139.2,1
107.35,91.42,13.01,35.4,21,139.8,1
107.35,91.28,13.01,36.3,20.8,139.9,1
107.4,91.35,13.02,33,22,140,1
107.2,91.14,12.99,30.3,24,139.2,1
107.4,91.21,13.04,30.3,24.2,139.6,1
107.55,91.42,13.03,36.9,20.4,139.6,1
107.65,91.56,13.11,34.8,21.2,140.2,1
107.55,91.49,13.04,31.5,22.4,139.7,1
107.35,91.35,13.05,29.7,20.6,140.1,1
107.45,91,13.03,30.6,22.8,139.6,1
107.5,91.28,13.04,28.2,23.2,140.2,1
107.75,91.49,13.03,30.6,23.6,140,1
107.55,91.14,13.02,30.3,22.6,140.3,1
107.25,91.14,13.06,29.4,24.2,139.9,1
107.15,91.14,13,32.1,21,139.8,1
107.25,91.14,12.98,36.9,22.4,139.2,1
107.45,91.35,13.02,31.8,23,139.9,1
107.3,91.14,13.04,31.5,23.6,139.7,1
107.1,91,13.02,33,22.4,139.5,1
107.4,91.07,13.01,35.7,22.2,139.5,1
107.3,90.86,13.02,32.1,22.2,139.4,1
107.45,91.49,13.03,27.9,22.4,138.3,1
107.3,91.28,13.04,33.9,21.6,139.8,1
107.25,91.35,13.02,35.4,20.4,139.6,1
107.4,91.14,13.03,30,23.8,139.3,1
107.35,91,12.94,30.6,22,139.2,1
107.3,91.14,13.04,33.6,21.4,139.9,1
107.5,91.35,13.04,31.8,22.2,139.9,1
107.25,90.86,12.98,34.2,20,139.3,1
107.45,91.42,13.04,35.7,21,139.8,1
107.5,91.35,13.04,34.2,21.4,139.9,1
107.65,91.42,13.03,27.9,22.6,138.1,1
107.35,91.14,13.01,32.1,22,139.4,1
107.45,90.93,13,29.7,24.6,139.4,1
107.45,91.21,12.99,35.7,21.2,139.8,1
107.3,90.93,12.97,35.7,20.2,139,1
107.3,90.79,12.93,31.2,22,139.3,1
107.25,91.07,13.01,36.3,20.6,139.4,1
107.25,91.21,13,33,23,139.5,1
107.55,91,13.03,34.8,21,139.7,1
107.1,90.79,12.96,30.9,22.8,139.5,1
107.2,91.07,13,33.9,21.4,139.2,1
107.4,91.28,13.06,37.5,20,139.3,1
107.3,91.42,13.01,24.3,24.2,137.9,1
107.8,91.07,12.97,22.2,24.4,138.4,1
107.45,91.35,13.01,29.7,20.4,138.1,1
107.3,91.07,13,34.5,21.2,139.5,1
107.35,91.07,13.02,34.8,21.8,139.1,1
107.15,91.21,13,34.2,21,139.8,1
107.55,91.21,13.06,30.9,24,139.7,1
108.15,91.49,13.04,30,20.2,138.8,1
107.8,91.28,13.01,28.8,22.4,138.6,1
107.4,90.93,12.98,28.8,24,139.6,1
107.45,91,12.99,34.2,21.8,139.7,1
106.95,91.49,13.05,26.1,23,137.8,1
107.1,91.42,13.04,36,20.4,139.6,1
107.4,91.35,13.03,35.4,21,139.4,1
107.4,90.72,13,31.2,23.2,139.2,1
107.4,91.07,13,34.2,21,139.6,1
107.45,91.28,13.02,35.7,21.4,139,1
107.15,91.07,13.01,34.8,21,139.7,1
107.25,91.28,13,29.7,24,139.6,1
107.4,91.35,13.03,30.6,24.2,139.1,1
107.25,91.14,13.04,24.6,23.6,137.8,1
107.5,91.28,13.01,34.2,21.4,139.1,1
107.4,91.42,13.06,24,22.8,138.7,1
107.5,91.35,13.01,33,22.8,139.3,1
107.3,91.35,13.04,30.3,22.8,139.3,1
107.35,91.14,13.01,32.1,22.2,139.5,1
107.35,91.28,13,34.5,21.4,139.4,1
107.25,91.28,13,24,24.4,138.5,1
107.4,91,12.97,34.2,21.2,139.2,1
107.4,90.93,13.02,28.8,23.8,139.4,1
107.3,91.21,13.02,38.1,18.2,139.2,1
107.55,91.14,12.98,30.6,24,139.4,1
107.7,91.35,13.06,26.4,22,138.6,1
107.35,91.21,13.02,32.4,22.2,139.2,1
107.5,91.35,13.03,28.8,22,138.5,1
107.45,91.21,13.05,34.8,21.2,139.8,1
107.5,91.28,13.03,29.7,24.2,139.6,1
107.55,91.21,12.99,30.9,23,139.7,1
107.4,91.21,13.04,31.8,22.2,140,1
107.35,91.49,13.08,33.6,22.4,139.4,1
107.15,90.93,12.99,30.6,23,139.6,1
domingo, 17 de setembro de 2023
Exercicios
Exercícios
Enviar os exercícios para o e-mail da disciplina.
E-Mail da Disciplina:
biologia.inteligente.10@gmail.com
Colocar no Assunto do e-mail o Nome Completo e Número do Exercício
Exercícios:
- Exercício 1 – Crie um
exemplo de regressão linear simples, análogo ao de Concentrações de As a
Diferentes Distancias da Rodovia Anchieta. Rode no Excel ou Libreoffice
Calc e no SAS com Regressão Robusta. Se não conseguir criar o exemplo
acompanhe as aulas de resolução de exercícios, quando Gabriel resolverá
os exercícios como se fosse um aluno, você terá somente que substituir os
sinais de interrogação pelos últimos dígitos de seu RG. Prazo: 9/10/2023
- Exercício 2 - Crie um
exemplo de regressão múltipla, análogo ao de Biodiversidade Animal. Se não
conseguir criar o exemplo acompanhe as aulas de resolução de exercícios,
quando Gabriel resolverá os exercícios como se fosse um aluno, você terá
somente que substituir os sinais de interrogação pelos últimos dígitos de
seu RG. Prazo 16/10/2023
- Exercício 3 - Crie um exemplo para
rodar cluster analysis, ANOVA e MANOVA. Se não conseguir criar o exemplo acompanhe as
aulas de resolução de exercícios, quando Gabriel resolverá os exercícios
como se fosse um aluno, você terá somente que substituir os sinais de
interrogação pelos últimos dígitos de seu RG Prazo: 23/10/2023.
- Exercício 4 - Crie um exemplo para
rodar uma Rede Neural no Weka. Se não conseguir criar o exemplo acompanhe
as aulas de resolução de exercícios, quando Gabriel resolverá os exercícios
como se fosse um aluno, você terá somente que substituir os sinais de
interrogação pelos últimos dígitos de seu RG. Prazo 30/10/2023.
Machine Learning Não Supervisionado - Cluster Analysis
Machine Learning Não Supervisionado - Cluster Analysis
UML - Cluster Analysis - ANOVA and MANOVA
UML - Unsupervised Machine Learning: Machine Learning Não Supervisionado
Obtaining Cluster Analysis
data People;
input Categ $ BMI Movm kcal;
cards;
AT 20.5 54.4 3100
PR 25.3 2.7 2650
SE 25.6 2.9 2700
SEM 23.1 16.6 2950
;
proc cluster outtree = Dendrog method = average;
var BMI Movm kcal;
id Categ;
run;
PROC TREE DATA = Dendrog;
RUN;
Program to do ANOVA
data People;
/* BMI: body mass index --> Índice de M. Corporal = Peso / (Altura * Altura)
Movm: Movement (Km por semana)
KCal : Kilocalories (ingeridas por dia)
ATL: Athletes
SEMI: Semi-athletes
SEDE: Sedentary
PROF: Professor
*/
input Categ $ BMI Movm Kcal;
cards;
ATL 20.2 60.7 3200
ATL 21.3 54.8 3100
ATL 19.3 49.6 2800
ATL 21.1 52.3 3300
SEMI 22.4 14.9 2600
SEMI 21.9 17.8 2700
SEMI 23.8 18.6 3200
SEMI 24.1 15.1 3300
SEDE 27.3 2.5 2700
SEDE 23.4 4.3 2300
SEDE 25.2 2.3 2600
SEDE 26.4 2.6 3200
PROF 26.2 4.1 2600
PROF 24.2 2.1 2700
PROF 25.4 1.9 2650
;
Proc ANOVA;
Class Categ;
Model BMI Movm Kcal = Categ;
Means Categ / Duncan Lines;
Run;
Arithmetic Averages of Categories
Categ BMI Movm Kcal
AT 20.5 54.4 3100
PR 25.3 2.7 2650
SE 25.6 2.9 2700
SEM 23.1 16.6 2950
Program to do MANOVA
data imc_dat;
input cat $ imc corr kcal;
cards;
ATL 20.2 60.7 3200
ATL 21.3 54.8 3100
ATL 19.3 49.6 2800
ATL 21.1 52.3 3300
SEMI 22.4 14.9 2600
SEMI 21.9 17.8 2700
SEMI 23.8 18.6 3200
SEMI 24.1 15.1 3300
SEDE 27.3 2.5 2700
SEDE 23.4 4.3 2300
SEDE 25.2 2.3 2600
SEDE 26.4 2.6 3200
PROF 26.2 4.1 2600
PROF 24.2 2.1 2700
PROF 25.4 1.9 2650
;
proc print;
run;
proc glm;
class cat;
model imc corr kcal = cat;
contrast " Atl e Semiat Vs Seden e Prof" cat 1 -1 -1 1;
contrast " Professor Vs Sedentario" cat 0 1 -1 0;
contrast " Atleta Vs Semiatleta" cat -1 0 0 1;
manova h=_all_ / printe printh;
contrast " Atl e Semiat Vs Seden e Prof" cat 1 -1 -1 1;
contrast " Professor Vs Sedentario" cat 0 1 -1 0;
contrast " Atleta Vs Semiatleta" cat -1 0 0 1;
run;
Elaboração de Contraste:
AT PR SE SEM
1 -1 -1 1 Atleta e Semiatleta Vs Professor e Sedentario
0 1 -1 0 Professor Vs Sedentario
1 0 0 -1 Atleta Vs Semiatleta
3 -1 -1 -1 Atleta Vs Outras Categorias
segunda-feira, 11 de setembro de 2023
Aula 11/9/2023
Pauta:
- Multiverso
- Site de LIA / PPGI-EA:
https://sites.google.com/usp.br/lab-ia-cd-r-g-gabriel
- UML - Aprendizado de Máquina não Supervisionado
- IA Indutiva Não Supervisionada - Cluster Analysis
Assinar:
Postagens (Atom)