Essa é uma revisão anterior do documento!
Tabela de conteúdos
Participantes
- Flaviane Peccin, Graduanda (UFPR)
- Christine Cardozo de Araujo, Graduanda (UFPR)
- Joel Maurício Corrêa da Rosa , Prof. Dr. (UFPR)
Objetivos
Geral : Aplicar técnicas multivariadas em um conjunto de dados sobre hipertensão.
Específicos :
- aplicar métodos de clusterização;
- aplicar métodos de classificação;
- comparar os métodos de classificação em relação à capacidade preditiva;
- levantar, por diferentes metodologias, os potenciais fatores de risco para hipertensão.
Metodologia
Métodos Multivariados.
- Clusterização pelo método das k-médias
- Regressão Logística
- Análise Linear Discriminante
- Árvores de Decisão
- Redes Neurais Artificiais
Análise de Cluster
Denomina-se Análise de Cluster ou Análise de Agrupamentos o conjunto de técnicas utilizadas na identificação de padrões de comportamento em bancos de dados através da formação de grupos homogêneos. O objetivo da analise de cluster é agrupar objetos ou variáveis semelhantes de forma que cada grupo seja homogêneo internamente e sejam diferentes entre si.
Árvores de Decisão
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).
Regressão Logística
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.
Análise Linear Discriminante
Neste trabalho será realizada somente a análise linear discriminante (LDA). Outros tipos de análise discriminante são: QDA(Quadratic Discriminant Analysis), FDA(Flexible Discriminant Analysis), PDA(Penalized Discriminant Analysis) e MDA(Mixture Discriminant Analysis). 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
Apesar de todo mito que envolve o uso de Redes Neurais Artificiais, o que está por trás desta técnica é a utilização de modelos não-lineares. Redes Neurais Artificiais para classificação estão implementadas no pacote nnet() presente na biblioteca MASS do R. A construção de uma rede neural associa-se a definição de sua topologia que no caso das redes do tipo feed-forward envolve a definição de 3 ou mais camadas. A primeira camada, chamada de camada de entrada necessita de tantos neurônios quanto forem o número de variáveis independentes, enquanto a última camada, denominada camada de saída, apresenta tantos neurônios quantas forem as variáveis resposta. Entre estas duas camadas podem existir uma ou mais camadas intermediárias, chamadas de camadas escondidas. O Teorema de Kolmogorov garante que uma camada escondida é suficiente para aproximar qualquer relação não-linear entre a resposta e as variáveis independentes, desde que satisfeitas algumas condições.
Avaliação de Capacidade Preditiva
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.
Resultados e Discussão
Banco de Dados e Outros
Links de Interesse
Outros Materiais
Funções do R
Scripts do 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')))
Organizando o Banco de Dados para os Estudos
#Descritivo dos dados originais summary(dados) sapply(dados,class) names(dados) #Separação por sexo dad <- split(dados , dados$sexo) dadfem <- dad[["feminino"]] #Eliminação do NA dadf <- na.omit(dadfem) #Verificação summary (dados$sexo) summary (dadfem$sexo) summary (dadf$sexo) sapply(dadf,class) #Verificar os nomes das variáveis names(dadf) #Substituições necessárias devido erro de digitação dadf$tabag[92]<-NA #era 2 dadf$tabag[713]<-NA #era 8 #Eliminação do NA dadff <- na.omit(dadf) #Verificação summary (dados$sexo) summary (dadfem$sexo) summary (dadf$sexo) summary (dadff$sexo) #Arrumando classe de dados dadff$inst <- as.factor(dadff$inst) dadff$tabag <- as.factor(dadff$tabag) dadff$dcv <- as.factor(dadff$dcv) dadff$peso <- as.numeric(dadff$peso) dadff$estat <- as.numeric(dadff$estat) dadff$pasis <- as.numeric(dadff$pasis) dadff$padias <- as.numeric(dadff$padias) dadff$ccint <- as.numeric(dadff$ccint) dadff$cabd <- as.numeric(dadff$cabd) dadff$cquad <- as.numeric(dadff$cquad) dadff$ccoxa <- as.numeric(dadff$ccoxa) dadff$dcabd <- as.numeric(dadff$dcabd) dadff$dcsupra <- as.numeric(dadff$dcsupra) dadff$dctric <- as.numeric(dadff$dctric) dadff$dccoxa <- as.numeric(dadff$dccoxa) dadff$fa30 <- as.numeric(dadff$fa30) dadff$lc30 <- as.numeric(dadff$lc30) dadff$tc6x <- as.numeric(dadff$tc6x) dadff$tc6f <- as.factor(dadff$tc6f) dadff$Idade <- as.numeric(dadff$Idade) dadff$imc <- as.numeric(dadff$imc) dadff$rcq <- as.numeric(dadff$rcq) dadff$nsecon <- as.factor(dadff$nsecon) dadff$exerc <- as.numeric(dadff$exerc) dadff$hipertensao <- as.factor(dadff$hipertensao) dadff$diabete <- as.factor(dadff$diabete) dadff$regi <- as.factor(dadff$regi) dadff$hipaf <- as.factor(dadff$hipaf) dadff$somadc <- as.numeric(dadff$somadc) #Verificação sapply(dadff,class)
Criação de Vetor de Índices
# Criacao de vetor de indices
> ind<-1:150
# 90% dos dados
> 0.9*150
[1] 135
# Indices para treinamento
> ind.train<-sample(ind,135)
> ind.train
[1] 77 103 89 57 122 75 41 81 147 94 144 117 128 6 55 7 52 5
[19] 118 96 98 125 104 115 30 80 35 17 20 95 50 27 56 40 9 109
[37] 87 82 100 39 135 142 48 78 63 16 73 120 18 71 137 150 138 85
[55] 13 23 136 12 8 72 61 68 112 93 83 76 140 146 26 43 62 134
[73] 53 65 11 102 79 121 49 141 45 54 47 149 131 99 21 15 110 124
[91] 22 113 74 88 129 42 1 51 10 145 3 86 28 25 29 114 33 37
[109] 58 126 97 46 116 64 111 108 66 34 105 14 60 59 101 92 107 4
[127] 130 119 127 132 91 90 84 133 24
# Selecao do conjunto de treinamento
> iris.train<-iris[ind.train,]
# Selecao do conjunto de teste
> iris.test<-iris[-ind.train,]
# Ajuste da arvore de classificacao
> tr.rp<-rpart(Species~.,data=iris.train)
# Grafico da arvore
> plot(tr.rp);text(tr.rp)
# Armazenando os valores preditos
> preditos<-predict(tr.rp,newdata=iris.test)
> preditos
setosa versicolor virginica
2 1 0.00000000 0.00000000
19 1 0.00000000 0.00000000
31 1 0.00000000 0.00000000
32 1 0.00000000 0.00000000
36 1 0.00000000 0.00000000
38 1 0.00000000 0.00000000
44 1 0.00000000 0.00000000
67 0 0.90196078 0.09803922
69 0 0.90196078 0.09803922
70 0 0.90196078 0.09803922
106 0 0.02439024 0.97560976
123 0 0.02439024 0.97560976
139 0 0.02439024 0.97560976
143 0 0.02439024 0.97560976
148 0 0.02439024 0.97560976
# Conjunto de teste
> iris.test
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
2 4.9 3.0 1.4 0.2 setosa
19 5.7 3.8 1.7 0.3 setosa
31 4.8 3.1 1.6 0.2 setosa
32 5.4 3.4 1.5 0.4 setosa
36 5.0 3.2 1.2 0.2 setosa
38 4.9 3.6 1.4 0.1 setosa
44 5.0 3.5 1.6 0.6 setosa
67 5.6 3.0 4.5 1.5 versicolor
69 6.2 2.2 4.5 1.5 versicolor
70 5.6 2.5 3.9 1.1 versicolor
106 7.6 3.0 6.6 2.1 virginica
123 7.7 2.8 6.7 2.0 virginica
139 6.0 3.0 4.8 1.8 virginica
143 5.8 2.7 5.1 1.9 virginica
148 6.5 3.0 5.2 2.0 virginica
> help(predict)
> help(predict.rpart)
# Classes preditas (type ="class")
> preditos<-predict(tr.rp,newdata=iris.test,type="class")
> preditos
2 19 31 32 36 38 44
setosa setosa setosa setosa setosa setosa setosa
67 69 70 106 123 139 143
versicolor versicolor versicolor virginica virginica virginica virginica
148
virginica
Levels: setosa versicolor virginica
> table(iris.test$Species,preditos)
preditos
setosa versicolor virginica
setosa 7 0 0
versicolor 0 3 0
virginica 0 0 5
Criação das Bases de Desenvolvimento e de Validação
<echo=F,results=hide>>= ind<-1:989 # Criacao de vetor de indices ind.trein<-sample(ind,890)# Indices para treinamento ind.trein dados.trein<-dadff[ind.trein,] # Selecao do conjunto de treinamento dados.test<-dadff[-ind.trein,] # Selecao do conjunto de teste @
dadostrein<-read.table("http://www.leg.ufpr.br/~joel/dados/dadostrein.txt",h=T)
dadostest<-read.table("http://www.leg.ufpr.br/~joel/dados/dadostest.txt",h=T)
Bibliografias
- [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.
- [2007, article]
- da Saúde, A. (2007). {Hipertensão Arterial - Crise Hipertensiva}.
- [2007, article]
- da Saúde, A. (2007). {Hipertensão Arterial - Introdução}.
- [2007, article]
- da Saúde, A. (2007). {Hipertensão Arterial - Investigação Clínica e Laboratorial}.
- [2007, article]
- da Saúde, A. (2007). {Hipertensão Arterial - Prevenção e Tratamento}.
- [1998, article | www]
- Carvalho, F., Telarolli Junior, R., & da Machado, J. C. M. S. (1998). {Uma investigação antropológica na terceira idade: concepções sobre a hipertensão arterial}. {Cadernos de Saúde Pública}, 14, 617-621.
- [1996, article | www]
- Fuchs, S. C., Victora, C. G., & Fachel, J. (1996). {Modelo hierarquizado: uma proposta de modelagem aplicada à investigação de fatores de risco para diarréia grave}. {Revista de Saúde Pública}, 30, 168-178.
- [2006, book]
- Hair, J. F., L., T. R., Anderson, R. E., & Black, W. (2006). {Multivariate Data Analysis}. Porto Alegre: Bookman.
- [1977, book]
- Hoffmann, R., & Vieira, S. (1977). { Análise de Regressão: uma introdução a econometria}. São Paulo: Hucitec - USP.
- [2007, article | www]
- Jardim, P. C. V. B., do Gondim, M. R. P., Monego, E. T., Moreira, H. G., de Vitorino, P. V. O., Souza, W. K. S. B., & Scala, L. C. N. (2007). {Hipertensão arterial e alguns fatores de risco em uma capital brasileira}. {Arquivos Brasileiros de Cardiologia}, 88, 452-457.
- [1998, book]
- Johnson, R. A., & Wichern, D. W. (1998). {Applied Multivariate Statistical Analysis} Pearson Prentice Hall.
- [1994, book]
- KLEINBAUM, D. G. (1994). Logistic Regression - Self-Learning Text. New York: Springer-Verlang.
- [1993, article | www]
- de Lolio, C. A., Pereira, J. C. R., Lotufo, P. A., & de Souza, J. M. P. (1993). {Hipertensão arterial e possíveis fatores de risco}. {Revista de Saúde Pública}, 27, 357-362.
- [2007, article | www]
- e Saúde, M. (2007). {Pressão Arterial}.
- [1998, article | www]
- Pessuto, J., & de Carvalho, E. C. (1998). {Fatores de risco em indiv\'{\i}duos com hipertensão arterial}. {Revista Latino-Americana de Enfermagem}, 6, 33-39.
- [2007, manual | www]
- R Development Core Team. (2007). R: A Language and Environment for Statistical Computing Vienna, Austria.
- [2007, article]
- Reliasoft. (2007). {Relia Soft Brasil - Conceitos de Confiabilidade: Estimador de Máxima Verossimilhança (MLE)}.
- [1976, book]
- Rothenberg, R. E. (1976). {Enciclopédia Médica ilustrada para uso no lar - Vol 1}. São Paulo: Editora Abril.
- [2007, article | www]
- do Brasil, S. A. M. -. (2007). {Sanny - American Medical do Brasil - Dobra Cultânea}.
- [2007, article]
- de Nefrologia, S. B. (2007). {SBN - V Diretrizes Brasileiras de Hipertensão realizada em conjunto pelas Sociedades Brasileiras de Nefrologia, Cardiologia e Hipertensão em fevereiro de 2006}.
- [2007, article]
- de Nefrologia, S. B. (2007). {SBN - Capítulo 9 - Prevenção da Hipertensão e dos Fatores de Risco Associados}.
- [2004, article | www]
- Silva, J. L. L., & de Souza, S. L. (2004). {Fatores de risco para hipertensão arterial sistêmica versus estilo de vida docente}. { Revista Eletrônica de Enfermagem }, 06, 330-335.
- [2005, mastersthesis]
- Simão, M. ((2005). {Hipertensão arterial e fatores de risco associados: estudo entre universitários da cidade de Lubango-Angola}.). Unpublished Master's Dissertation.
- [2005, article | www]
- Souza, J. A., Zanettini, L. F. S., Zanettini, M. T., Boldo, R., & Moraes, R. S. (2005). {Prevalência de hipertensão arterial e fatores de risco associados em trabalhadores de uma instituição de ensino superior}. {Revista da AMRIGS}, 49, 226-232.
- [2006, article | www]
- do Zaitune, M. P. A., de Barros, M. B. A., César, C. L. G., Carandina, L., & Goldbaum, M. (2006). {Hipertensão arterial em idosos: prevalência, fatores associados e práticas de controle no Município de Campinas, São Paulo, Brasil}. {Cadernos de Saúde Pública}, 22, 285-294.
- [, article | www]
- Krause, M. P., Hallage, T., Miculis, C. P., dos Santos, E. C. R., Buzzachera, C. F., & da} title entre a adiposidade corporal e a aptidão cárdio-respiratória em mulheres idosas} Silva, S. G. {. =.
- [1991, book]
- Soares, J. F., de Farias, A. A., & Cesar, C. C. (1991). {Introdução a Estatística}. Rio de Janeiro: Editora Guanabara Koogan.
- [1983, book]
- Soares, J. F., & Bartan, F. C. (1983). {Métodos Estatísticos em Medicina e Biologia}. Rio de Janeiro: Instituto de Matemática Pura e Aplicada do CNPq.
- [1991, book]
- de Costa Neto, P. L. O. (1991). {Estatística}. São Paulo: Editora Edgard Blücher.
- [2004, book]
- Paula, G. A. (2004). {Modelos de Regressão com Apoio Computacional}. São Paulo: Universidade de São Paulo.
- [1998, article | www]
- Luna Filho, B. (1998). {Seqüência básica na elaboração de protocolos de pesquisa}. {Arquivos Brasileiros de Cardiologia}, 71, 735-740.
- [2006, manual]
- Giolo, S. R. (2006). {Análise de Dados Categóricos} Curitiba.
- [2007, manual]
- Giolo, S. R. (2007). {Análise de Regressão} Curitiba.
- [2004, manual]
- Giolo, S. R. (2004). {Análise de Regressão} Curitiba.
- [2007, manual]
- Ogliari, P. J. (2007). {Regressão Logística} Curitiba.
- [2006, manual]
- Chaves Neto, A. (2006). {Análise Multivariada II} Curitiba.
