Avaliação do particionamento recursivo baseado em Modelo para Predição

Abstract

Resumo: Este trabalho investiga a eficácia do método de particionamento recursivo baseado em modelo (MOB) e sua expansão através de florestas aleatórias (MOB-RF) enquanto modelos preditivos. Avaliamos esses métodos em duas bases de dados distintas: Incidência de Diabetes (classificação) e Boston Housing (regressão). Os resultados indicam que MOB e MOB-RF são altamente eficazes, apresentando desempenho competitivo em várias métricas-chave. A análise também sugere que a adição da estrutura de random forest contribui fortemente na robustez do modelo.

Abstract: This study investigates the effectiveness of the Model-Based Recursive Partitioning (MOB) method and its extension through Random Forests (MOB-RF) as predictive models. We evaluate these methods on two distinct datasets: Diabetes Incidence (classification) and Boston Housing (regression). The results indicate that MOB andMOB-RF are highly effective, showing competitive performance across various key metrics. The analysis also suggests that the incorporation of the random forest structure significantly enhances the model’s robustness.