Abordagens de aprendizado de máquina na seleção de variáveis para caracterização de amostras

Abstract

A espectroscopia no infravermelho com transformada de Fourier por reflexão total atenuada (ATR-FTIR) consolidou-se como uma ferramenta de baixo custo, não destrutiva e confiável para a análise do perfil químico de amostras. A integração de algoritmos de aprendizado de máquina para a seleção de comprimentos de onda em dados do tipo ATR-FTIR e a criação de modelos preditivos possibilita a obtenção de resultados ágeis e robustos, fortalecendo a tomada de decisão baseada em dados espectrais. Esta dissertação objetiva avaliar a aplicação de algoritmos de aprendizado de máquina associados a técnicas de seleção de variáveis na construção de modelos para a classificação de medicamentos falsificados e predição da concentração de cocaína. Para a identificação de medicamentos forjados, propõe-se uma abordagem baseada no ranqueamento de importância via método minimum Redundancy Maximum Relevance (mRMR), seguida de uma seleção Sequential Forward Selection (SFS) voltada à maximização da acurácia. Já para o propósito de predição de concentração de amostras de cocaína, a estratégia parte do cálculo do índice Variable Importance in Projection (VIP), seguida de uma eliminação Backward recursiva para a obtenção de modelos otimizados. Para a definição dos subconjuntos ideais, são avaliados os critérios de mínimo RMSE, mínima distância euclidiana e o Método do Cotovelo (Elbow Method). Os resultados demonstraram a viabilidade de modelos de classificação com elevada acurácia e modelos de regressão parcimoniosos, que utilizam o mínimo de variáveis para o máximo de resultado, demonstrando capacidade de prever com eficácia as concentrações das substâncias estudadas e possibilitando uma análise rápida e eficiente para o combate ao tráfico de substâncias ilícitas.

Attenuated Total Reflection Fourier Transform Infrared (ATR-FTIR) spectroscopy has established itself as a low-cost, non-destructive, and reliable tool for analyzing the chemical profile of samples. The integration of machine learning algorithms for variable selection and predictive modeling enables the attainment of fast and robust results, strengthening decisionmaking based on spectral data. This dissertation aims to evaluate the application of machine learning algorithms associated with variable selection techniques in the construction of models for the classification of counterfeit medicines and the prediction of cocaine concentration. For medicine identification, a variable selection approach based on importance ranking via the mRMR method is proposed, followed by a Sequential Forward Selection (SFS) process aimed at maximizing accuracy. For cocaine prediction, the strategy begins with the calculation of the VIP (Variable Importance in Projection) index, followed by a recursive Backward elimination to obtain optimized models. To define the ideal subsets, the criteria of minimum RMSE, minimum Euclidean distance, and the Elbow Method are evaluated. The results demonstrated the feasibility of classification models with high accuracy and parsimonious regression models, capable of effectively predicting substance concentrations using a significantly reduced number of variables.