Estratégias de decisão em aprendizado de máquina multi-objetivo
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/37890 |
Resumo: | Este trabalho aborda o problema da seleção de modelos obtidos por meio do aprendizado de máquina multiobjetivo e apresenta estratégias para escolha no conjunto Pareto-ótimo. Dentro da abordagem multiobjetivo são obtidas diversas opções de soluções candidatas, caracterizadas por não-dominância entre si. Como parte da abordagem multiobjetivo, é necessário um procedimento de decisão dentre o conjunto de soluções candidatas que foram geradas. Em aprendizagem de máquina, o critério de decisão deverá retratar o dilema do equilíbrio entre os efeitos de polarização e de variância, tema central da aprendizagem de máquina e indicar uma solução que melhor represente este equilíbrio. As estratégias de decisão propostas neste trabalho foram definidas para dois dos principais problemas do aprendizado supervisionado: a classificação e a regressão. Essas estratégias caracterizam-se por serem independentes de reamostragem e da estrutura do modelo usado. A capacidade de usar novas informações para ajudar no processo de seleção do modelo garantiu avanços na abordagem do dilema entre a polarização e a variância em aprendizagem de máquina. Os resultados numéricos, por meio de problemas de aprendizagem com dados artificiais e reais, foram avaliados com outras conhecidas estratégias de decisão, como: o método da Curva L, o método do erro de validação e, além disso, comparados com os resultados apresentados por outros algoritmos de aprendizado como as Máquinas de Vetores Suporte (Support Vector Machines). Com os resultados apresentados os métodos de decisão permitiram que os algoritmos de treinamento tivessem um melhor aproveitamento do conjunto de dados original e, consequentemente, uma melhoria na capacidade de generalização. Assim, o processo de decisão em aprendizado de máquina supervisionado, sob a perspectiva da otimização multiobjetivo, trouxe um novo roteiro de seleção de modelos segundo o problema em questão, tornando o procedimento bem estruturado e determinístico. |
id |
UFMG_75a61cb7e7ad3ada393a7079cf772934 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/37890 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Ricardo Hiroshi Caldeira Takahashihttp://lattes.cnpq.br/4947186824317781Antônio de Pádua BragaFrederico Gadelha GuimarãesCristiane Neri NobreMarcelo Azevedo CostaElizabeth Fialho Wannerhttp://lattes.cnpq.br/9329817009720885Talles Henrique de Medeiros2021-09-02T18:04:31Z2021-09-02T18:04:31Z2019-12-11http://hdl.handle.net/1843/37890Este trabalho aborda o problema da seleção de modelos obtidos por meio do aprendizado de máquina multiobjetivo e apresenta estratégias para escolha no conjunto Pareto-ótimo. Dentro da abordagem multiobjetivo são obtidas diversas opções de soluções candidatas, caracterizadas por não-dominância entre si. Como parte da abordagem multiobjetivo, é necessário um procedimento de decisão dentre o conjunto de soluções candidatas que foram geradas. Em aprendizagem de máquina, o critério de decisão deverá retratar o dilema do equilíbrio entre os efeitos de polarização e de variância, tema central da aprendizagem de máquina e indicar uma solução que melhor represente este equilíbrio. As estratégias de decisão propostas neste trabalho foram definidas para dois dos principais problemas do aprendizado supervisionado: a classificação e a regressão. Essas estratégias caracterizam-se por serem independentes de reamostragem e da estrutura do modelo usado. A capacidade de usar novas informações para ajudar no processo de seleção do modelo garantiu avanços na abordagem do dilema entre a polarização e a variância em aprendizagem de máquina. Os resultados numéricos, por meio de problemas de aprendizagem com dados artificiais e reais, foram avaliados com outras conhecidas estratégias de decisão, como: o método da Curva L, o método do erro de validação e, além disso, comparados com os resultados apresentados por outros algoritmos de aprendizado como as Máquinas de Vetores Suporte (Support Vector Machines). Com os resultados apresentados os métodos de decisão permitiram que os algoritmos de treinamento tivessem um melhor aproveitamento do conjunto de dados original e, consequentemente, uma melhoria na capacidade de generalização. Assim, o processo de decisão em aprendizado de máquina supervisionado, sob a perspectiva da otimização multiobjetivo, trouxe um novo roteiro de seleção de modelos segundo o problema em questão, tornando o procedimento bem estruturado e determinístico.This work addresses the problem of selection models obtained through multi-objective machine learning and presents strategies for choosing the Pareto-optimal set. Within the multiobjective approach, several options of candidate solutions are obtained, characterized by non-dominance among themselves. As part of the multi-objective approach, a decision procedure is needed among the set of candidate solutions that have been generated. In machine learning, the decision criterion should portray the dilemma of the balance between polarization and variance effects, the central theme of machine learning, and indicate a solution that best represents this balance. The decision strategies proposed in this work were defined for two of the main problems of supervised learning: classification and regression. These strategies are characterized by being independent of resampling and the structure of the model used. The ability to use new information to help in the model selection process has ensured advances in addressing the dilemma between polarization and variance in machine learning. The numerical results, through learning problems with artificial and real data, were evaluated with other known decision strategies, such as: the Curve L method, the validation error method and, in addition, compared with the results presented by other learning algorithms such as the Support Vector Machines. With the results presented, the decision methods allowed the training algorithms to have a better use of the original dataset and, consequently, an improvement in the generalization capacity. Thus, the decision process in supervised machine learning, from the perspective of multiobjective optimization, brought a new model selection script according to the problem in question, making the procedure well-structured and deterministic.porUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Engenharia ElétricaUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICAhttp://creativecommons.org/licenses/by/3.0/pt/info:eu-repo/semantics/openAccessEngenharia elétricaAprendizado do computadorOtimização multiobjetivoRedes neurais (Computação)Processo decisórioAprendizado de máquinaOtimização multiobjetivoRedes neurais artificiaisTomada de decisãoEstratégias de decisão em aprendizado de máquina multi-objetivoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914https://repositorio.ufmg.br/bitstream/1843/37890/2/license_rdff9944a358a0c32770bd9bed185bb5395MD52ORIGINALTese Talles Medeiros 2019.pdfTese Talles Medeiros 2019.pdfVersão Finalapplication/pdf3864147https://repositorio.ufmg.br/bitstream/1843/37890/4/Tese%20Talles%20Medeiros%202019.pdf57b2991808c0a8c86d9a67cc75cc91f1MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/37890/5/license.txtcda590c95a0b51b4d15f60c9642ca272MD551843/378902021-09-02 15:04:31.565oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2021-09-02T18:04:31Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Estratégias de decisão em aprendizado de máquina multi-objetivo |
title |
Estratégias de decisão em aprendizado de máquina multi-objetivo |
spellingShingle |
Estratégias de decisão em aprendizado de máquina multi-objetivo Talles Henrique de Medeiros Aprendizado de máquina Otimização multiobjetivo Redes neurais artificiais Tomada de decisão Engenharia elétrica Aprendizado do computador Otimização multiobjetivo Redes neurais (Computação) Processo decisório |
title_short |
Estratégias de decisão em aprendizado de máquina multi-objetivo |
title_full |
Estratégias de decisão em aprendizado de máquina multi-objetivo |
title_fullStr |
Estratégias de decisão em aprendizado de máquina multi-objetivo |
title_full_unstemmed |
Estratégias de decisão em aprendizado de máquina multi-objetivo |
title_sort |
Estratégias de decisão em aprendizado de máquina multi-objetivo |
author |
Talles Henrique de Medeiros |
author_facet |
Talles Henrique de Medeiros |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Ricardo Hiroshi Caldeira Takahashi |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/4947186824317781 |
dc.contributor.advisor-co1.fl_str_mv |
Antônio de Pádua Braga |
dc.contributor.referee1.fl_str_mv |
Frederico Gadelha Guimarães |
dc.contributor.referee2.fl_str_mv |
Cristiane Neri Nobre |
dc.contributor.referee3.fl_str_mv |
Marcelo Azevedo Costa |
dc.contributor.referee4.fl_str_mv |
Elizabeth Fialho Wanner |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/9329817009720885 |
dc.contributor.author.fl_str_mv |
Talles Henrique de Medeiros |
contributor_str_mv |
Ricardo Hiroshi Caldeira Takahashi Antônio de Pádua Braga Frederico Gadelha Guimarães Cristiane Neri Nobre Marcelo Azevedo Costa Elizabeth Fialho Wanner |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Otimização multiobjetivo Redes neurais artificiais Tomada de decisão |
topic |
Aprendizado de máquina Otimização multiobjetivo Redes neurais artificiais Tomada de decisão Engenharia elétrica Aprendizado do computador Otimização multiobjetivo Redes neurais (Computação) Processo decisório |
dc.subject.other.pt_BR.fl_str_mv |
Engenharia elétrica Aprendizado do computador Otimização multiobjetivo Redes neurais (Computação) Processo decisório |
description |
Este trabalho aborda o problema da seleção de modelos obtidos por meio do aprendizado de máquina multiobjetivo e apresenta estratégias para escolha no conjunto Pareto-ótimo. Dentro da abordagem multiobjetivo são obtidas diversas opções de soluções candidatas, caracterizadas por não-dominância entre si. Como parte da abordagem multiobjetivo, é necessário um procedimento de decisão dentre o conjunto de soluções candidatas que foram geradas. Em aprendizagem de máquina, o critério de decisão deverá retratar o dilema do equilíbrio entre os efeitos de polarização e de variância, tema central da aprendizagem de máquina e indicar uma solução que melhor represente este equilíbrio. As estratégias de decisão propostas neste trabalho foram definidas para dois dos principais problemas do aprendizado supervisionado: a classificação e a regressão. Essas estratégias caracterizam-se por serem independentes de reamostragem e da estrutura do modelo usado. A capacidade de usar novas informações para ajudar no processo de seleção do modelo garantiu avanços na abordagem do dilema entre a polarização e a variância em aprendizagem de máquina. Os resultados numéricos, por meio de problemas de aprendizagem com dados artificiais e reais, foram avaliados com outras conhecidas estratégias de decisão, como: o método da Curva L, o método do erro de validação e, além disso, comparados com os resultados apresentados por outros algoritmos de aprendizado como as Máquinas de Vetores Suporte (Support Vector Machines). Com os resultados apresentados os métodos de decisão permitiram que os algoritmos de treinamento tivessem um melhor aproveitamento do conjunto de dados original e, consequentemente, uma melhoria na capacidade de generalização. Assim, o processo de decisão em aprendizado de máquina supervisionado, sob a perspectiva da otimização multiobjetivo, trouxe um novo roteiro de seleção de modelos segundo o problema em questão, tornando o procedimento bem estruturado e determinístico. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-12-11 |
dc.date.accessioned.fl_str_mv |
2021-09-02T18:04:31Z |
dc.date.available.fl_str_mv |
2021-09-02T18:04:31Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/37890 |
url |
http://hdl.handle.net/1843/37890 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by/3.0/pt/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by/3.0/pt/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/37890/2/license_rdf https://repositorio.ufmg.br/bitstream/1843/37890/4/Tese%20Talles%20Medeiros%202019.pdf https://repositorio.ufmg.br/bitstream/1843/37890/5/license.txt |
bitstream.checksum.fl_str_mv |
f9944a358a0c32770bd9bed185bb5395 57b2991808c0a8c86d9a67cc75cc91f1 cda590c95a0b51b4d15f60c9642ca272 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1801676730823344128 |