Estudo da avaliação de redes neurais para a classificação do nível de lesão em acidentes de trânsito (Original)

Randy Verdecia Peña; Rainel Sánchez Pino

Autores/as

Randy Verdecia Peña Pontifícia Universidade Católica do Rio de Janeiro
Rainel Sánchez Pino Pontifícia Universidade Católica do Rio de Janeiro

Palabras clave:

classificação; redes neurais artificiais; classes desbalanceadas; desempenho

Resumen

Neste artigo é desenvolvida e estudado a modelagem de três redes neurais, MLP, RBF e PNN. O objetivo deste trabalho é o estudo da avaliação de redes neurais para classificar o nível de lesão de passageiros de veículos envolvidos em acidentes de trânsito. São empregados vários métodos que permitirão a profundização teórico-prático. Na pesquisa toma-se como campo de ação as informações sobre todas as pessoas envolvidas em acidentes de carro nas estradas dos EUA durante o ano 2001. Descrevem-se os parâmetros utilizados para a redes neurais modeladas. Uma análise comparativa destas redes foi feita de modo a fornecer o melhor desempenho na classificação do problema analisado. Conclua-se que o estudo garante avaliar o desempenho das redes empregadas.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

Randy Verdecia Peña, Pontifícia Universidade Católica do Rio de Janeiro

Estudante Mestre

Referencias

Bonifácio, F. N. (2010). Comparação entre as Redes Neurais Artificiais MLP, RBF e LVQ na Classificação de Dados. Paraná: Universidade Estadual do Oeste do Paraná.
Carvalho, C. B. (2000). Redes Neurais Artificiais: Teoria e Aplicações. Rio de Janeiro.
Chawla, N., Hall, L., Bowyer, K., & Kegelmeyer, W. (2002). SMOTE: Synthetic. Journal of Artificial Intelligence Research, 16, 321-357.
García, M., Villuendas, Y., Medina, M., Martínez, J., & Ruiz, J. (2008). Selección y construcción de objetos para el mejoramiento de un clasificador supervisado: un análisis crítico. Havana: Centav.
Haibo , H., Yang , B., Garcia, E., & Li, S. (2008). DASYN: Adaptive Synthetic Sampling Approach for Imbalanced. International Joint Conference on Neural Networks (IJCNN 2008), 1322-1329.
He, H., & Garcia, E. (2009). Learning from Imbalanced Data. IEEE.
JL Murray, C., D Lopez, A., Mathers, C., & Stein, C. (2001). The Global Burden of Disease 2000. World Health Organization. Fonte: http://www.who.int/healthinfo/paper36.pdf
Kotsiantis, S., & Pintelas, P. (2003). Mixture of Expert Agents for Handling Imbalanced Data Sets. Annals of Mathematics, Computing and TeleInformatics, 1, 46-55.
Kubat, M., & Matwin, S. (1997). Addressing the curse of imbalanced training sets: One sided selection. In Proceedings of the Fourteenth International Conference on Machine Learning, 179-186.
Peden, M. (2004). World report on road traffic injury prevention. World Health Organization. Fonte: http://www.who.int/healthinfo/paper36.pdf
Spinelli, A. (2010). Um estudo comparativo de métodos para balanceamento do conjunto de treinamento em aprendizado de redes neurais artificiais.
Vellasco, M. (2018). Presentações das aulas de Redes Neurais.
World Health , O. (2008). World health statistics 2008. World Health Organization. Geneve. Fonte: http://www.who.int/gho/publications/world_health_statistics/EN_WHS08_Full.pdf
World Health, O. (2008). The Global Burden of Disease: 2004 update. Organization, World Health. Geneve. Fonte: http://www.who.int/healthinfo/global_burden_disease/GBD_report_2004update_full.pdf?ua=1