Avaliação de técnicas de regularização aplicadas as redes neurais nebulosas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2015 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/BUBD-A46LSF |
Resumo: | Este trabalho propõe um novo algoritmo de treinamento para redes neurais nebulosas que é capaz de gerar modelos parcimoniosos e com algum grau de interpretabilidade. Em alguns casos, como em redes neurais nebulosas, o aprendizado pode-se tornar uma tarefa muito complexa e lenta. Nesse trabalho o aprendizado é realizado baseando-se em conceitos de máquinas de aprendizado extremo para estimativa dos parâmetros e em uma técnica de seleção de características baseada em regularização e reamostragem, denominada bootstrap lasso, para definição da topologia da rede. A utilização da regularização nas camadas internas do modelo permite que este seja mais preciso em suas respostas e que um conjunto de regras nebulosas seja extraído de sua topologia possibilitando a interpretabilidade dos resultados obtidos. Experimentos numéricos são apresentados para problemas de classificação de padrões utilizando bases reais de pequenas e grandes dimensões. Os resultados obtidos são comparados a outros classificadores de referência na literatura. A análise estatística dos resultados sugere que o algoritmo proposto possui uma acurácia similar a modelos de máquina de aprendizado extremo regularizados, porém com uma topologia interpretável. |
id |
UFMG_eb2cae2660247d21205dfcc889b520f8 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/BUBD-A46LSF |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Andre Paim LemosWalmir Matos CaminhasCristiano Leite de CastroPaulo Vitor de Campos Souza2019-08-13T13:59:57Z2019-08-13T13:59:57Z2015-10-09http://hdl.handle.net/1843/BUBD-A46LSFEste trabalho propõe um novo algoritmo de treinamento para redes neurais nebulosas que é capaz de gerar modelos parcimoniosos e com algum grau de interpretabilidade. Em alguns casos, como em redes neurais nebulosas, o aprendizado pode-se tornar uma tarefa muito complexa e lenta. Nesse trabalho o aprendizado é realizado baseando-se em conceitos de máquinas de aprendizado extremo para estimativa dos parâmetros e em uma técnica de seleção de características baseada em regularização e reamostragem, denominada bootstrap lasso, para definição da topologia da rede. A utilização da regularização nas camadas internas do modelo permite que este seja mais preciso em suas respostas e que um conjunto de regras nebulosas seja extraído de sua topologia possibilitando a interpretabilidade dos resultados obtidos. Experimentos numéricos são apresentados para problemas de classificação de padrões utilizando bases reais de pequenas e grandes dimensões. Os resultados obtidos são comparados a outros classificadores de referência na literatura. A análise estatística dos resultados sugere que o algoritmo proposto possui uma acurácia similar a modelos de máquina de aprendizado extremo regularizados, porém com uma topologia interpretável.This paper proposes a new training algorithm for fuzzy neural networks that is able to generate parsimonious models with some degree of interpretability. In some cases, as in fuzzy neural networks learning can become a very slow and complex task. In this work learning is performed based on concepts of extreme learning machines to estimate parameters and a feature selection technique based on regularization and resampling called bootstrap lasso, to define the network topology. The use of regularization in the inner layers of the model enables it to be more precise in its answers, and concise set of fuzzy rules can be extracted from the resulting topology allowing the interpretability of the results. Numerical results are presented for pattern classification problems using real bases of large and small dimensions. The results are compared to other classifiers reference in the literature. Statistical analysis of the results suggests that the proposed algorithm has a similar accuracy to regularized extreme machine learning models, but with an interpretable topology.Universidade Federal de Minas GeraisUFMGBootstrap (Estatística)Engenharia elétricaRedes neurais (Computação)NeurôniosRegularizaçãoBootstrap lassoRedes neurais nebulosasNeurônios lógicos nebulososAvaliação de técnicas de regularização aplicadas as redes neurais nebulosasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALdisserta__o_paulo_vitor_de_campos_souza.pdfapplication/pdf2058259https://repositorio.ufmg.br/bitstream/1843/BUBD-A46LSF/1/disserta__o_paulo_vitor_de_campos_souza.pdfbe39fe93efb93b90e5d648307cbb3df1MD51TEXTdisserta__o_paulo_vitor_de_campos_souza.pdf.txtdisserta__o_paulo_vitor_de_campos_souza.pdf.txtExtracted texttext/plain134401https://repositorio.ufmg.br/bitstream/1843/BUBD-A46LSF/2/disserta__o_paulo_vitor_de_campos_souza.pdf.txt3b5ce2046f899afafd677448b468446fMD521843/BUBD-A46LSF2019-11-14 23:17:56.933oai:repositorio.ufmg.br:1843/BUBD-A46LSFRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-15T02:17:56Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Avaliação de técnicas de regularização aplicadas as redes neurais nebulosas |
title |
Avaliação de técnicas de regularização aplicadas as redes neurais nebulosas |
spellingShingle |
Avaliação de técnicas de regularização aplicadas as redes neurais nebulosas Paulo Vitor de Campos Souza Regularização Bootstrap lasso Redes neurais nebulosas Neurônios lógicos nebulosos Bootstrap (Estatística) Engenharia elétrica Redes neurais (Computação) Neurônios |
title_short |
Avaliação de técnicas de regularização aplicadas as redes neurais nebulosas |
title_full |
Avaliação de técnicas de regularização aplicadas as redes neurais nebulosas |
title_fullStr |
Avaliação de técnicas de regularização aplicadas as redes neurais nebulosas |
title_full_unstemmed |
Avaliação de técnicas de regularização aplicadas as redes neurais nebulosas |
title_sort |
Avaliação de técnicas de regularização aplicadas as redes neurais nebulosas |
author |
Paulo Vitor de Campos Souza |
author_facet |
Paulo Vitor de Campos Souza |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Andre Paim Lemos |
dc.contributor.referee1.fl_str_mv |
Walmir Matos Caminhas |
dc.contributor.referee2.fl_str_mv |
Cristiano Leite de Castro |
dc.contributor.author.fl_str_mv |
Paulo Vitor de Campos Souza |
contributor_str_mv |
Andre Paim Lemos Walmir Matos Caminhas Cristiano Leite de Castro |
dc.subject.por.fl_str_mv |
Regularização Bootstrap lasso Redes neurais nebulosas Neurônios lógicos nebulosos |
topic |
Regularização Bootstrap lasso Redes neurais nebulosas Neurônios lógicos nebulosos Bootstrap (Estatística) Engenharia elétrica Redes neurais (Computação) Neurônios |
dc.subject.other.pt_BR.fl_str_mv |
Bootstrap (Estatística) Engenharia elétrica Redes neurais (Computação) Neurônios |
description |
Este trabalho propõe um novo algoritmo de treinamento para redes neurais nebulosas que é capaz de gerar modelos parcimoniosos e com algum grau de interpretabilidade. Em alguns casos, como em redes neurais nebulosas, o aprendizado pode-se tornar uma tarefa muito complexa e lenta. Nesse trabalho o aprendizado é realizado baseando-se em conceitos de máquinas de aprendizado extremo para estimativa dos parâmetros e em uma técnica de seleção de características baseada em regularização e reamostragem, denominada bootstrap lasso, para definição da topologia da rede. A utilização da regularização nas camadas internas do modelo permite que este seja mais preciso em suas respostas e que um conjunto de regras nebulosas seja extraído de sua topologia possibilitando a interpretabilidade dos resultados obtidos. Experimentos numéricos são apresentados para problemas de classificação de padrões utilizando bases reais de pequenas e grandes dimensões. Os resultados obtidos são comparados a outros classificadores de referência na literatura. A análise estatística dos resultados sugere que o algoritmo proposto possui uma acurácia similar a modelos de máquina de aprendizado extremo regularizados, porém com uma topologia interpretável. |
publishDate |
2015 |
dc.date.issued.fl_str_mv |
2015-10-09 |
dc.date.accessioned.fl_str_mv |
2019-08-13T13:59:57Z |
dc.date.available.fl_str_mv |
2019-08-13T13:59:57Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/BUBD-A46LSF |
url |
http://hdl.handle.net/1843/BUBD-A46LSF |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
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/BUBD-A46LSF/1/disserta__o_paulo_vitor_de_campos_souza.pdf https://repositorio.ufmg.br/bitstream/1843/BUBD-A46LSF/2/disserta__o_paulo_vitor_de_campos_souza.pdf.txt |
bitstream.checksum.fl_str_mv |
be39fe93efb93b90e5d648307cbb3df1 3b5ce2046f899afafd677448b468446f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1797971283159285760 |