Estudos em estimação de densidade por Kernel: métodos de seleção de características e estimação do parâmetro suavizador

Detalhes bibliográficos
Autor(a) principal: Maria Fernanda Barbosa Wanderley
Data de Publicação: 2013
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFMG
Texto Completo: http://hdl.handle.net/1843/BUOS-9QDEKR
Resumo: Problemas de indução de funções são muitas vezes representados por meio de medidas de afinidade entre os elementos do conjunto indutivo de amostras, sendo as matrizes de kernel um método bastante difundido. O presente trabalho tem como objetivo obter informação das relações de afinidade entre os dados a partir da matriz de kernel calculada, partindo da hipótese que tais relações geométricas seriam coerentes com os rótulos conhecidos. Foram propostos métodos univariados e multivariados de seleção de características utilizando estimação de densidade por kernel (KDE), bem como métodos para estimar a largura do kernel baseados na coerência dos rótulos com a geometria do problema. Para avaliar a relação da estrutura dos dados com os rótulos foi utilizado um classificador baseado em estimação de densidade por kernel (KDE) e comparou-se o desempenho dos métodos propostos com outros conhecidos na literatura. Para as bases de dados testadas, o desempenho dos métodos propostos mostrou-se semelhante aos utilizados como base de comparação. Tais resultados indicam que é viável selecionar modelos através do cálculo direto das densidades e da geometria do problema de separação em questão.
id UFMG_a2f1b2b32f8fd589730ff2e8c9702475
oai_identifier_str oai:repositorio.ufmg.br:1843/BUOS-9QDEKR
network_acronym_str UFMG
network_name_str Repositório Institucional da UFMG
repository_id_str
spelling Antonio de Padua BragaRené NatowiczCarlos Humberto Llanos QuinteroEduardo Mazoni Andrade Marcal MendesFelipe Maia Galvão FrançaMarcelo Azevedo CostaMaria Fernanda Barbosa Wanderley2019-08-09T16:15:11Z2019-08-09T16:15:11Z2013-12-13http://hdl.handle.net/1843/BUOS-9QDEKRProblemas de indução de funções são muitas vezes representados por meio de medidas de afinidade entre os elementos do conjunto indutivo de amostras, sendo as matrizes de kernel um método bastante difundido. O presente trabalho tem como objetivo obter informação das relações de afinidade entre os dados a partir da matriz de kernel calculada, partindo da hipótese que tais relações geométricas seriam coerentes com os rótulos conhecidos. Foram propostos métodos univariados e multivariados de seleção de características utilizando estimação de densidade por kernel (KDE), bem como métodos para estimar a largura do kernel baseados na coerência dos rótulos com a geometria do problema. Para avaliar a relação da estrutura dos dados com os rótulos foi utilizado um classificador baseado em estimação de densidade por kernel (KDE) e comparou-se o desempenho dos métodos propostos com outros conhecidos na literatura. Para as bases de dados testadas, o desempenho dos métodos propostos mostrou-se semelhante aos utilizados como base de comparação. Tais resultados indicam que é viável selecionar modelos através do cálculo direto das densidades e da geometria do problema de separação em questão.Function induction problems are frequently represented by affinity measures between the elements of the inductive sample set, being kernel matrices a well known one. This work have as objective obtain information of the relations between data from the calculated kernel matrix, starting from the hypothesis that those geometric relations are coherent with known labels. Univariate and multivariate feature selection methods that use kernel density estimation (KDE) were proposed. Methods for perform estimation of kernel width, based at the geometric coherence between label and problem geometry, were also proposed. To assess the relation of data structure with the labels, a classifier based on kernel density estimation (KDE) was used and the performance of the proposed methods was compared with others known from literature. To the databases tested, the performance of the proposed methods were similar to the ones in the literature. Results indicates that is practicable selecting models through the direct calculation of densities and the geometry from the class separation.Universidade Federal de Minas GeraisUFMGEngenharia elétricaKernel, Funções deEstimação não-paramétrica de densidadesSeleção de característicasEstimação da largura do KernelEstudos em estimação de densidade por Kernel: métodos de seleção de características e estimação do parâmetro suavizadorinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALtese.pdfapplication/pdf1381417https://repositorio.ufmg.br/bitstream/1843/BUOS-9QDEKR/1/tese.pdf7d6c7ad0155b9c4d3da4c3ab1ebd9829MD51TEXTtese.pdf.txttese.pdf.txtExtracted texttext/plain141244https://repositorio.ufmg.br/bitstream/1843/BUOS-9QDEKR/2/tese.pdf.txt1ddc80fd359c99f65cf24cf9fd0221e5MD521843/BUOS-9QDEKR2019-11-14 08:11:10.058oai:repositorio.ufmg.br:1843/BUOS-9QDEKRRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T11:11:10Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
dc.title.pt_BR.fl_str_mv Estudos em estimação de densidade por Kernel: métodos de seleção de características e estimação do parâmetro suavizador
title Estudos em estimação de densidade por Kernel: métodos de seleção de características e estimação do parâmetro suavizador
spellingShingle Estudos em estimação de densidade por Kernel: métodos de seleção de características e estimação do parâmetro suavizador
Maria Fernanda Barbosa Wanderley
Estimação não-paramétrica de densidades
Seleção de características
Estimação da largura do Kernel
Engenharia elétrica
Kernel, Funções de
title_short Estudos em estimação de densidade por Kernel: métodos de seleção de características e estimação do parâmetro suavizador
title_full Estudos em estimação de densidade por Kernel: métodos de seleção de características e estimação do parâmetro suavizador
title_fullStr Estudos em estimação de densidade por Kernel: métodos de seleção de características e estimação do parâmetro suavizador
title_full_unstemmed Estudos em estimação de densidade por Kernel: métodos de seleção de características e estimação do parâmetro suavizador
title_sort Estudos em estimação de densidade por Kernel: métodos de seleção de características e estimação do parâmetro suavizador
author Maria Fernanda Barbosa Wanderley
author_facet Maria Fernanda Barbosa Wanderley
author_role author
dc.contributor.advisor1.fl_str_mv Antonio de Padua Braga
dc.contributor.advisor-co1.fl_str_mv René Natowicz
dc.contributor.referee1.fl_str_mv Carlos Humberto Llanos Quintero
dc.contributor.referee2.fl_str_mv Eduardo Mazoni Andrade Marcal Mendes
dc.contributor.referee3.fl_str_mv Felipe Maia Galvão França
dc.contributor.referee4.fl_str_mv Marcelo Azevedo Costa
dc.contributor.author.fl_str_mv Maria Fernanda Barbosa Wanderley
contributor_str_mv Antonio de Padua Braga
René Natowicz
Carlos Humberto Llanos Quintero
Eduardo Mazoni Andrade Marcal Mendes
Felipe Maia Galvão França
Marcelo Azevedo Costa
dc.subject.por.fl_str_mv Estimação não-paramétrica de densidades
Seleção de características
Estimação da largura do Kernel
topic Estimação não-paramétrica de densidades
Seleção de características
Estimação da largura do Kernel
Engenharia elétrica
Kernel, Funções de
dc.subject.other.pt_BR.fl_str_mv Engenharia elétrica
Kernel, Funções de
description Problemas de indução de funções são muitas vezes representados por meio de medidas de afinidade entre os elementos do conjunto indutivo de amostras, sendo as matrizes de kernel um método bastante difundido. O presente trabalho tem como objetivo obter informação das relações de afinidade entre os dados a partir da matriz de kernel calculada, partindo da hipótese que tais relações geométricas seriam coerentes com os rótulos conhecidos. Foram propostos métodos univariados e multivariados de seleção de características utilizando estimação de densidade por kernel (KDE), bem como métodos para estimar a largura do kernel baseados na coerência dos rótulos com a geometria do problema. Para avaliar a relação da estrutura dos dados com os rótulos foi utilizado um classificador baseado em estimação de densidade por kernel (KDE) e comparou-se o desempenho dos métodos propostos com outros conhecidos na literatura. Para as bases de dados testadas, o desempenho dos métodos propostos mostrou-se semelhante aos utilizados como base de comparação. Tais resultados indicam que é viável selecionar modelos através do cálculo direto das densidades e da geometria do problema de separação em questão.
publishDate 2013
dc.date.issued.fl_str_mv 2013-12-13
dc.date.accessioned.fl_str_mv 2019-08-09T16:15:11Z
dc.date.available.fl_str_mv 2019-08-09T16:15:11Z
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/BUOS-9QDEKR
url http://hdl.handle.net/1843/BUOS-9QDEKR
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/BUOS-9QDEKR/1/tese.pdf
https://repositorio.ufmg.br/bitstream/1843/BUOS-9QDEKR/2/tese.pdf.txt
bitstream.checksum.fl_str_mv 7d6c7ad0155b9c4d3da4c3ab1ebd9829
1ddc80fd359c99f65cf24cf9fd0221e5
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_ 1801676857571016704