%0 Journal Article
%T Um novo m¨¦todo para sele  o de vari¨¢veis preditivas com base em ¨ªndices de importancia A new framework for predictive variable selection based on variable importance indices
%A Juliano Zimmer
%A Michel Jos¨¦ Anzanello
%J Produ£¿£¿o
%D 2013
%I Associa??o Brasileira de Engenharia de Produ??o (ABEPRO)
%X O grande volume de vari¨¢veis coletadas em processos industriais imp e dificuldades ao controle e monitoramento de tais processos. A regress o PLS (partial least squares) vem sendo amplamente utilizada em procedimentos de sele  o de vari¨¢veis por sua capacidade de operar com grande n¨²mero de vari¨¢veis correlacionadas e afetadas por ru¨ªdo. Este artigo prop e um m¨¦todo para identificar o melhor subconjunto de vari¨¢veis de processo para a predi  o das vari¨¢veis de resposta. Indicadores de importancia das vari¨¢veis s o desenvolvidos a partir de parametros da regress o PLS e guiam a elimina  o das vari¨¢veis irrelevantes. Tais ¨ªndices s o ent o testados em termos de seu desempenho. Ao ser aplicado em cinco bancos de dados industriais, o m¨¦todo utilizando o ¨ªndice recomendado reteve apenas 31% das vari¨¢veis originais e aumentou a acur¨¢cia de predi  o do conjunto de teste em 6%. O m¨¦todo proposto tamb¨¦m superou a acur¨¢cia do m¨¦todo Stepwise, tradicionalmente utilizado em procedimentos de sele  o com prop¨®sitos de predi  o. The large volume of process variables collected from manufacturing applications has jeopardized process control activities. The Partial Least Squares (PLS) regression has been widely used for variable selection due to its ability to handle a large number of correlated and noisy variables. This paper presents a method for selecting the most relevant variables aimed at predicting product variables. For that matter, variable importance indices are developed based on PLS parameters and used to guide the elimination of noisy and irrelevant variables. Variables are then systematically removed from the dataset and the performance of the predictive model evaluated. When applied to five manufacturing datasets, the proposed method retained 31% of the original variables and yielded 6% more accurate predictions than using all original variables. Further, the proposed method outperformed the traditional Stepwise method regarding prediction accuracy.
%K Sele  o de vari¨¢veis
%K Regress o PLS
%K Indicador de importancia das vari¨¢veis
%K Variable selection
%K PLS regression
%K Variable importance ¨ªndices
%U http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0103-65132013005000030