Mostrar registro simples

dc.contributor.advisorPumi, Guilhermept_BR
dc.contributor.authorAzevedo, Roberta Baptista dept_BR
dc.date.accessioned2019-12-27T04:05:32Zpt_BR
dc.date.issued2019pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/203926pt_BR
dc.description.abstractO artigo busca relacionar as áreas gestão de risco, seleção de variáveis e performance esportiva. Para tanto, são trazidas perspectivas teóricas de diferentes áreas do conhecimento, as quais justificam a relação desses temas na gestão de desenvolvimento esportivo. Além disso, discute-se a importância dos atuários desenvolverem conhecimentos de seleção de variáveis através de métodos de machine learning. A metodologia desenvolvida nesta pesquisa focou-se em seleção de variáveis para identificar características de equipes vencedoras em Rugby Sevens Feminino. Foram analisados, através de vídeo, 29 jogos escolhidos aleatoriamente das temporadas 2014/2015; 2015/2016; 2017/2018 do Circuito Mundial de Rugby Sevens Feminino. Foram coletadas 112 variáveis para análise e seleção. Após tratamento dos dados, foram selecionadas 52 variáveis para definição das mais importantes. Três métodos de Seleção de Variáveis foram comparados e FoBa foi o mais eficiente na predição dos resultados. Desta forma, utilizando o FoBa, selecionou-se 27 variáveis com importância acima de 0.2 em escala de 0 a 1. Dentre essas variáveis, foi observado que as variáveis de Resultado, Try e Conversão, estão entre as 5 mais importantes, sendo Try a mais importante com 0.98 de importância. As outras três variáveis do Top 5 de importância, estão relacionadas à Entrada nas 22 de ataque. Ao contrário do imaginado, não tentar tacklear, mesmo que errando, ao perseguir ou marcar dentro das 22 de defesa é uma das variáveis do Top 5.pt_BR
dc.description.abstractThis work seeks to relate the areas of risk management, feature selection and sports performance. For that, theoretical perspectives of different areas of knowledge are brought, which justify the relation of these themes in the management of sports development. In addition, it is discussed the importance of actuaries to develop knowledge of feature selection via machine learning methods. The methods developed in this research focused on feature selection to identify characteristics of winning teams in the Women's Rugby Sevens. Twentynine randomly chosen games from the 2014/2015; 2015/2016; 2017/2018 seasons of the World Rugby Women Sevens Series were analyzed through video. A total of 112 features were collected for analysis and selection. After data processing, 52 features were selected to define the most important ones. Three methods of Feature Selection were compared and FoBa was the most efficient in predicting the results. Thus, using FoBa, 27 features with importance above 0.2 on a scale of 0 to 1 were selected. Among these variables, it was observed that the Scoring features, Try and Conversion, are among the 5 most important ones, with Try being the most important with 0.98 of importance. The other three features of the Top 5 of importance are related to entering into the opposition’s 22 meters zone. Unlike what was expected, not attempting to tackle, even if erroneous, while chasing or defending within the defense 22 meters zone is one of the Top 5 features.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectAprendizagempt_BR
dc.subjectRugbyen
dc.subjectModelo de gestãopt_BR
dc.subjectMachine learningen
dc.subjectCiências atuariaispt_BR
dc.subjectSupport vector machineen
dc.subjectFeature selectionen
dc.subjectActuarial scienceen
dc.titleMétodos de Machine Learning para seleção de variáveis com aplicações ao Rugby Sevens Femininopt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.identifier.nrb001109279pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentFaculdade de Ciências Econômicaspt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2019pt_BR
dc.degree.graduationCiências Atuariaispt_BR
dc.degree.levelgraduaçãopt_BR


Thumbnail
   

Este item está licenciado na Creative Commons License

Mostrar registro simples