Análise Comparativa entre os Algoritmos de Classificação SVM e Naive Bayes
Resumo
Este artigo apresenta uma análise comparativa entre dois algoritmos supervisionados amplamente utilizados em tarefas de classificação: Naive Bayes e Support Vector Machine (SVM). Os experimentos foram conduzidos na linguagem de programação Python com o conjunto de dados Iris. O processo incluiu pré-processamento (remoção de outliers, engenharia de atributos e normalização), aplicação dos modelos e avaliação por validação cruzada estratificada em cinco dobras, com acurácia como principal métrica. Os resultados mostraram que o Naive Bayes obteve acurácia perfeita, enquanto o SVM apresentou desempenho consistente, com média de 96%. A comparação evidencia diferenças de desempenho, bem como vantagens e limitações de cada abordagem frente às características do conjunto analisado.
Palavras-chave:
Aprendizado deMáquina, Aprendizado Supervisionado, Naive Bayes, SVM, Classificação de Dados
Referências
A. L. Samuel, “Some studies in machine learning using the game of checkers,” IBM Journal of research and development, vol. 3, no. 3, pp. 210–229, 1959.
A. Géron, “Mãos à obra: aprendizado de máquina com scikit-learn,” Keras & TensorFlow: Conceitos, ferramentas e técnicas para a construção de sistemas inteligentes., 2021.
M. J. W. Garzillo, “Classificação de tumores cerebrais com algoritmos de machine learning,” Ph.D. dissertation, Instituto Politécnico de Lisboa, Escola Superior de Tecnologia da Saúde de Lisboa, 2022.
F. Osisanwo, J. Akinsola, O. Awodele, J. Hinmikaiye, O. Olakanmi, J. Akinjobi et al., “Supervised machine learning algorithms: classification and comparison,” International Journal of Computer Trends and Technology (IJCTT), vol. 48, no. 3, pp. 128–138, 2017.
B. Mahesh, “Machine learning algorithms-a review,” International Journal of Science and Research (IJSR). [Internet], vol. 9, no. 1, pp. 381–386, 2020.
X. J. Zhu, “Semi-supervised learning literature survey,” University of Wisconsin-Madison, 2005.
M. Almeida, “Machine learning: o que é aprendizado semi-supervisionado,” [link], 2023, acesso em: 20 nov. 2024.
G. R. Schleder and A. Fazzio, “Machine learning na física, química, e ciência de materiais: Descoberta e design de materiais,” Revista Brasileira de Ensino de Física, vol. 43, no. Suppl 1, p. e20200407, 2021.
R. Tera, “O que é machine learning: o guia para entender aprendizado de máquina,” [link], 2021, acesso em: 05 dez. 2024.
F. M. Honda, H. and P. Yaohao, “Os três tipos de aprendizado de máquina,” LAMFO - Laboratório de Aprendizado de Máquina em Finanças e Organizações, jul 2017, obtido em 10 de setembro de 2021.
Scikit-learn, “scikit-learn: Machine learning in python,” [link], 2024, acesso em: 23 ago. 2024.
C. Naulak, “A comparative study of naive bayes classifiers with improved technique on text classification,” Authorea Preprints, 2023.
M. Harrison, Machine Learning Pocket Reference. O’Reilly Media, Inc., 2019.
T. A. S. Pardo and M. d. G. V. Nunes, “Aprendizado bayesiano aplicado ao processamento de línguas naturais,” 2002.
T. Escovedo, Introdução à Estatística para Ciência de Dados: Da exploração dos dados à experimentação contínua com exemplos de código em Python e R. Aovs Sistemas de Informática Ltda., 2024.
Z. F. Hussain, H. R. Ibraheem, M. Alsajri, A. H. Ali, M. A. Ismail, S. Kasim, and T. Sutikno, “A new model for iris data set classification based on linear support vector machine parameter’s optimization,” International Journal of Electrical and Computer Engineering, vol. 10, no. 1, p. 1079, 2020.
Y. Dani and M. A. Ginting, “Comparison of iris dataset classification with gaussian na¨ıve bayes and decision tree algorithms.” International Journal of Electrical & Computer Engineering (2088-8708), vol. 14, no. 2, 2024.
Z. Iqbal and M. Yadav, “Multiclass classification with iris dataset using gaussian naive bayes,” International Journal of Computer Science and Mobile Computing, pp. 27–35, 2020.
A. Géron, “Mãos à obra: aprendizado de máquina com scikit-learn,” Keras & TensorFlow: Conceitos, ferramentas e técnicas para a construção de sistemas inteligentes., 2021.
M. J. W. Garzillo, “Classificação de tumores cerebrais com algoritmos de machine learning,” Ph.D. dissertation, Instituto Politécnico de Lisboa, Escola Superior de Tecnologia da Saúde de Lisboa, 2022.
F. Osisanwo, J. Akinsola, O. Awodele, J. Hinmikaiye, O. Olakanmi, J. Akinjobi et al., “Supervised machine learning algorithms: classification and comparison,” International Journal of Computer Trends and Technology (IJCTT), vol. 48, no. 3, pp. 128–138, 2017.
B. Mahesh, “Machine learning algorithms-a review,” International Journal of Science and Research (IJSR). [Internet], vol. 9, no. 1, pp. 381–386, 2020.
X. J. Zhu, “Semi-supervised learning literature survey,” University of Wisconsin-Madison, 2005.
M. Almeida, “Machine learning: o que é aprendizado semi-supervisionado,” [link], 2023, acesso em: 20 nov. 2024.
G. R. Schleder and A. Fazzio, “Machine learning na física, química, e ciência de materiais: Descoberta e design de materiais,” Revista Brasileira de Ensino de Física, vol. 43, no. Suppl 1, p. e20200407, 2021.
R. Tera, “O que é machine learning: o guia para entender aprendizado de máquina,” [link], 2021, acesso em: 05 dez. 2024.
F. M. Honda, H. and P. Yaohao, “Os três tipos de aprendizado de máquina,” LAMFO - Laboratório de Aprendizado de Máquina em Finanças e Organizações, jul 2017, obtido em 10 de setembro de 2021.
Scikit-learn, “scikit-learn: Machine learning in python,” [link], 2024, acesso em: 23 ago. 2024.
C. Naulak, “A comparative study of naive bayes classifiers with improved technique on text classification,” Authorea Preprints, 2023.
M. Harrison, Machine Learning Pocket Reference. O’Reilly Media, Inc., 2019.
T. A. S. Pardo and M. d. G. V. Nunes, “Aprendizado bayesiano aplicado ao processamento de línguas naturais,” 2002.
T. Escovedo, Introdução à Estatística para Ciência de Dados: Da exploração dos dados à experimentação contínua com exemplos de código em Python e R. Aovs Sistemas de Informática Ltda., 2024.
Z. F. Hussain, H. R. Ibraheem, M. Alsajri, A. H. Ali, M. A. Ismail, S. Kasim, and T. Sutikno, “A new model for iris data set classification based on linear support vector machine parameter’s optimization,” International Journal of Electrical and Computer Engineering, vol. 10, no. 1, p. 1079, 2020.
Y. Dani and M. A. Ginting, “Comparison of iris dataset classification with gaussian na¨ıve bayes and decision tree algorithms.” International Journal of Electrical & Computer Engineering (2088-8708), vol. 14, no. 2, 2024.
Z. Iqbal and M. Yadav, “Multiclass classification with iris dataset using gaussian naive bayes,” International Journal of Computer Science and Mobile Computing, pp. 27–35, 2020.
Publicado
22/10/2025
Como Citar
DEZORZI, Bruno; PARCIANELLO, Roberta Vanessa Rojo; SIMON, Matheus Raffael.
Análise Comparativa entre os Algoritmos de Classificação SVM e Naive Bayes. In: CONGRESSO LATINO-AMERICANO DE SOFTWARE LIVRE E TECNOLOGIAS ABERTAS (LATINOWARE), 22. , 2025, Foz do Iguaçu/PR.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 129-134.
DOI: https://doi.org/10.5753/latinoware.2025.15230.
