| id |
UFMG_76002cf5b0612a73fd378b8517996aee
|
| oai_identifier_str |
oai:repositorio.ufmg.br:1843/RAOA-BC6H7L
|
| network_acronym_str |
UFMG
|
| network_name_str |
Repositório Institucional da UFMG
|
| repository_id_str |
|
| reponame_str |
Repositório Institucional da UFMG
|
| instacron_str |
UFMG
|
| institution |
Universidade Federal de Minas Gerais (UFMG)
|
| instname_str |
Universidade Federal de Minas Gerais (UFMG)
|
| spelling |
Antonio de Padua BragaCristiano Leite de CastroCristiano Leite de CastroTakashi YoneyamaRenato Cardoso MesquitaAndre Paim LemosCarmelo Jose Albanez Bastos FilhoLuiz Carlos Bambirra Torres2019-08-10T06:02:13Z2019-08-10T06:02:13Z2016-02-25http://hdl.handle.net/1843/RAOA-BC6H7LEste trabalho apresenta uma metodologia direcionada para problemas de classifica¸cao de padroes. O objetivo ´e projetar classificadores de margem larga, onde as informa¸coes necess´arias para o projeto do classificador sao obtidas a partir da estrutura geom´etrica dos dados. Atrav´es do grafo de Gabriel, o conjunto de dados ´e transformado em um grafo planar, onde as arestas deste grafo que possuem v´ertices com r´otulos de classes distintas coincidem com as amostras que estao na margem de separa¸cao entre as classes. Estas arestas sao denominadas arestas de suporte e formam a base para o desenvolvimento de uma fam´lia de m´etodos, tais como um decisor para o aprendizado multiobjetivo de redes neurais; uma estrat´egia para sele¸cao de parametros em redes neurais RBF; por fim, a concep¸cao de novos classificadores de margem larga. Resultados com benchmarks conhecidos na literatura mostram que essas abordagens maximizam a margem e aumentam a capacidade de generaliza¸cao dos classificadores.This work presents a methodology directed to pattern classification problems. The goal is to design large margin classifiers where the information necessary is obtained from the geometric structure of data. Through the Gabriel graph, the data set is turned into a planar graph, where the edges with vertices of distinct labels corresponds to the samples which are on the margin of separation between the classes. These edge set is named as support edges and forms the basis for the development of a family of methods, such as a decision-maker for multi-objective learning of neural networks; a strategy for selecting parameters in RBF neural networks. Finally, the design of new large margin classifiers. Results with benchmarks known in the literature show that our approaches maximize the margin and increase the classifier generalization ability .Universidade Federal de Minas GeraisUFMGProcesso decisórioEngenharia elétricaTeoria dos grafosEngenharia elétricaClassificador por arestas de suporte (CLAS): métodos de aprendizado baseados em Grafos de Gabrielinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALteseluizbambirra.pdfapplication/pdf10904946https://repositorio.ufmg.br/bitstream/1843/RAOA-BC6H7L/1/teseluizbambirra.pdf221010f9673111dbeee4c26b8e32be31MD51TEXTteseluizbambirra.pdf.txtteseluizbambirra.pdf.txtExtracted texttext/plain151070https://repositorio.ufmg.br/bitstream/1843/RAOA-BC6H7L/2/teseluizbambirra.pdf.txt5d9073caaa621ff0fd07ae7190f9d57aMD521843/RAOA-BC6H7L2019-11-14 11:41:30.18oai:repositorio.ufmg.br:1843/RAOA-BC6H7LRepositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T14:41:30Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|
| _version_ |
1813548299690442752
|