Ajuste dinâmico de parâmetros : enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/48661 |
Resumo: | O processo de trabalho com fluxos de dados exige novas demandas e tarefas desafiadoras na área de mineração de dados e aprendizagem de máquina. Esse fluxo pode ser categorizado como um sistema que gera muitos dados ao longo do tempo. Dessa forma, quando a distribuição de probabilidade dentro desse fluxo varia, estamos com um problema comumente conhecido como mudança de conceito (Concept Drift). O processo de implementação de novos métodos para lidar com fluxos de dados contendo mudanças de conceito requer algoritmos que sejam capazes de se adaptar a diferentes situações para, assim, melhorar sua performance. Nesse sentido, o ajuste dinâmico de parâmetros é um contexto pouco explorado nas implementações e experimentações das pesquisas da área, requerendo uma especial atenção, sobretudo para que estes métodos consigam se adaptar melhor aos diferentes ambientes onde são aplicados. Nesta pesquisa são propostos vários enfoques e estratégias para ajustar parâmetros de forma dinâmica em vários algoritmos de classificação existentes. Desse modo, primeiramente são apresentadas várias versões do Paired k-NN Learners with Dynamically Adjusted Number of Neighbors (PL- kNN, PL-kNN2, PL-kNN3 e PL-kNN4), um novo método de classificação em par que utiliza diferentes procedimentos para ajustar de forma dinâmica e incremental o número de vizinhos k. Todas as versões são aplicados ao processo de aprendizagem online em fluxo de dados com mudanças de conceitos. A outra proposta desta tese é o Parameter Estimation Procedure (PEP), um método genérico para o ajuste dinâmico de parâmetros que é aplicado ao parâmetro de diversidade λ (lambda), comum a vários comitês de classificadores utilizados na área. Com essa finalidade, o método proposto (PEP) foi utilizado para criar versões alternativas de três comitês já existentes: BOLE-PE, OABM1-PE e OzaBag-PE. Para validá-los, foram realizados experimentos com conjuntos de dados artificiais e reais e os resultados foram avaliados usando a métrica de acurácia e o teste de Friedman com o pós-teste de Nemenyi. Os resultados dos testes com PL-kNN e suas versões mostram que estas contribuições melhoraram o desempenho do K-Nearest Neighbors (k-NN) com valores fixos de k na maior parte dos cenários testados em termos de acurácia. Já os resultados das versões usando PEP evidenciaram que a estimação dinâmica do λ é capaz de produzir bons resultados de acurácia na maioria dos ambientes experimentados. |
id |
UFPE_0c92c5295c33f3f2b94c28a80ab9b067 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/48661 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
GONZÁLEZ HIDALGO, Juan Isidrohttp://lattes.cnpq.br/1699521484933349http://lattes.cnpq.br/2153962690732683http://lattes.cnpq.br/9125082586431097BARROS, Roberto Souto Maior deSANTOS, Silas Garrido Teixeira de Carvalho2023-01-18T17:15:28Z2023-01-18T17:15:28Z2022-09-28GONZÁLEZ HIDALGO, Juan Isidro. Ajuste dinâmico de parâmetros: enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos. 2022. Tese (Doutorado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/48661O processo de trabalho com fluxos de dados exige novas demandas e tarefas desafiadoras na área de mineração de dados e aprendizagem de máquina. Esse fluxo pode ser categorizado como um sistema que gera muitos dados ao longo do tempo. Dessa forma, quando a distribuição de probabilidade dentro desse fluxo varia, estamos com um problema comumente conhecido como mudança de conceito (Concept Drift). O processo de implementação de novos métodos para lidar com fluxos de dados contendo mudanças de conceito requer algoritmos que sejam capazes de se adaptar a diferentes situações para, assim, melhorar sua performance. Nesse sentido, o ajuste dinâmico de parâmetros é um contexto pouco explorado nas implementações e experimentações das pesquisas da área, requerendo uma especial atenção, sobretudo para que estes métodos consigam se adaptar melhor aos diferentes ambientes onde são aplicados. Nesta pesquisa são propostos vários enfoques e estratégias para ajustar parâmetros de forma dinâmica em vários algoritmos de classificação existentes. Desse modo, primeiramente são apresentadas várias versões do Paired k-NN Learners with Dynamically Adjusted Number of Neighbors (PL- kNN, PL-kNN2, PL-kNN3 e PL-kNN4), um novo método de classificação em par que utiliza diferentes procedimentos para ajustar de forma dinâmica e incremental o número de vizinhos k. Todas as versões são aplicados ao processo de aprendizagem online em fluxo de dados com mudanças de conceitos. A outra proposta desta tese é o Parameter Estimation Procedure (PEP), um método genérico para o ajuste dinâmico de parâmetros que é aplicado ao parâmetro de diversidade λ (lambda), comum a vários comitês de classificadores utilizados na área. Com essa finalidade, o método proposto (PEP) foi utilizado para criar versões alternativas de três comitês já existentes: BOLE-PE, OABM1-PE e OzaBag-PE. Para validá-los, foram realizados experimentos com conjuntos de dados artificiais e reais e os resultados foram avaliados usando a métrica de acurácia e o teste de Friedman com o pós-teste de Nemenyi. Os resultados dos testes com PL-kNN e suas versões mostram que estas contribuições melhoraram o desempenho do K-Nearest Neighbors (k-NN) com valores fixos de k na maior parte dos cenários testados em termos de acurácia. Já os resultados das versões usando PEP evidenciaram que a estimação dinâmica do λ é capaz de produzir bons resultados de acurácia na maioria dos ambientes experimentados.CAPESThe working process for dealing with data streams requires new demands and challenging tasks in the area of data mining and machine learning. A stream can be categorized as a system that generates huge amounts of data. Thus, when the probability distribution within this data stream varies, we have a problem commonly known as Concept Drift. The process of implementation of new methods to deal with data streams containing concept drifts re- quires algorithms that can adapt to different situations to improve their performance. In this sense, the dynamic adjustment of parameters is a seldon explored context in the research implementations and experiments in the area, requiring special attention, especially to per-mit these methods to better adapt to the different environments where they are applied. In this research, several approaches and strategies are proposed to dynamically adjust parame- ters in several existing classification algorithms. In this way, several versions of Paired k-NN Learners with Dynamically Adjusted Number of Neighbors (PL-kNN, PL-kNN2, PL-kNN3 and PL-kNN4) first are presented. They are variations of a new pairing method that uses different procedures to dynamically and incrementally adjust the number of neighbors k. All versions are applied to the online learning process in data streams with concept drifts. The other proposal of this thesis is the Parameter Estimation Procedure (PEP), a generic method for the dynamic adjustment of parameters that is applied to the diversity parameter λ (lambda), common to several ensemble classifiers used in the area. For this purpose, the proposed estimation method (PEP) was used to create alternative versions of three existing ensembles: Boosting-like Online Learning Ensemble with Parameter Estimation (BOLE-PE), Online AdaBoost-based M1 with Parameter Estimation (OABM1-PE) and Oza and Russell’s Online Bagging with Parameter Estimation (OzaBag-PE). To validate them, experiments were performed with artificial and real-world datasets and the results were evaluated using the accuracy metric and the Friedman test with the Nemenyi post-hoc test. The results of the tests with PL-kNN and its versions show that these contributions improved the performance of k-NN with fixed values of k in most tested scenarios in terms of accuracy. The results of the versions using PEP (BOLE-PE, OABM1-PE and OzaBag-PE) showed that the dynamic estimation of λ is capable of producing good accuracy results in most tested environments.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessInteligência computacionalDetecção de mudança de conceitoComitêAprendizado onlineFluxo de dadosAjuste dinâmico de parâmetros : enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisdoutoradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETEXTTESE Juan Isidro González Hidalgo.pdf.txtTESE Juan Isidro González Hidalgo.pdf.txtExtracted texttext/plain272533https://repositorio.ufpe.br/bitstream/123456789/48661/4/TESE%20Juan%20Isidro%20Gonz%c3%a1lez%20Hidalgo.pdf.txtad2b0d9086f4bea2c37f2d7fea528aa5MD54THUMBNAILTESE Juan Isidro González Hidalgo.pdf.jpgTESE Juan Isidro González Hidalgo.pdf.jpgGenerated Thumbnailimage/jpeg1230https://repositorio.ufpe.br/bitstream/123456789/48661/5/TESE%20Juan%20Isidro%20Gonz%c3%a1lez%20Hidalgo.pdf.jpgc713e2f07b803d5b705be664dec8fae5MD55ORIGINALTESE Juan Isidro González Hidalgo.pdfTESE Juan Isidro González Hidalgo.pdfapplication/pdf3754338https://repositorio.ufpe.br/bitstream/123456789/48661/1/TESE%20Juan%20Isidro%20Gonz%c3%a1lez%20Hidalgo.pdf56e0e029310cdfd0b752e9a45236dce6MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/48661/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/48661/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53123456789/486612023-01-19 02:21:47.221oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212023-01-19T05:21:47Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Ajuste dinâmico de parâmetros : enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos |
title |
Ajuste dinâmico de parâmetros : enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos |
spellingShingle |
Ajuste dinâmico de parâmetros : enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos GONZÁLEZ HIDALGO, Juan Isidro Inteligência computacional Detecção de mudança de conceito Comitê Aprendizado online Fluxo de dados |
title_short |
Ajuste dinâmico de parâmetros : enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos |
title_full |
Ajuste dinâmico de parâmetros : enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos |
title_fullStr |
Ajuste dinâmico de parâmetros : enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos |
title_full_unstemmed |
Ajuste dinâmico de parâmetros : enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos |
title_sort |
Ajuste dinâmico de parâmetros : enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos |
author |
GONZÁLEZ HIDALGO, Juan Isidro |
author_facet |
GONZÁLEZ HIDALGO, Juan Isidro |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1699521484933349 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2153962690732683 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9125082586431097 |
dc.contributor.author.fl_str_mv |
GONZÁLEZ HIDALGO, Juan Isidro |
dc.contributor.advisor1.fl_str_mv |
BARROS, Roberto Souto Maior de |
dc.contributor.advisor-co1.fl_str_mv |
SANTOS, Silas Garrido Teixeira de Carvalho |
contributor_str_mv |
BARROS, Roberto Souto Maior de SANTOS, Silas Garrido Teixeira de Carvalho |
dc.subject.por.fl_str_mv |
Inteligência computacional Detecção de mudança de conceito Comitê Aprendizado online Fluxo de dados |
topic |
Inteligência computacional Detecção de mudança de conceito Comitê Aprendizado online Fluxo de dados |
description |
O processo de trabalho com fluxos de dados exige novas demandas e tarefas desafiadoras na área de mineração de dados e aprendizagem de máquina. Esse fluxo pode ser categorizado como um sistema que gera muitos dados ao longo do tempo. Dessa forma, quando a distribuição de probabilidade dentro desse fluxo varia, estamos com um problema comumente conhecido como mudança de conceito (Concept Drift). O processo de implementação de novos métodos para lidar com fluxos de dados contendo mudanças de conceito requer algoritmos que sejam capazes de se adaptar a diferentes situações para, assim, melhorar sua performance. Nesse sentido, o ajuste dinâmico de parâmetros é um contexto pouco explorado nas implementações e experimentações das pesquisas da área, requerendo uma especial atenção, sobretudo para que estes métodos consigam se adaptar melhor aos diferentes ambientes onde são aplicados. Nesta pesquisa são propostos vários enfoques e estratégias para ajustar parâmetros de forma dinâmica em vários algoritmos de classificação existentes. Desse modo, primeiramente são apresentadas várias versões do Paired k-NN Learners with Dynamically Adjusted Number of Neighbors (PL- kNN, PL-kNN2, PL-kNN3 e PL-kNN4), um novo método de classificação em par que utiliza diferentes procedimentos para ajustar de forma dinâmica e incremental o número de vizinhos k. Todas as versões são aplicados ao processo de aprendizagem online em fluxo de dados com mudanças de conceitos. A outra proposta desta tese é o Parameter Estimation Procedure (PEP), um método genérico para o ajuste dinâmico de parâmetros que é aplicado ao parâmetro de diversidade λ (lambda), comum a vários comitês de classificadores utilizados na área. Com essa finalidade, o método proposto (PEP) foi utilizado para criar versões alternativas de três comitês já existentes: BOLE-PE, OABM1-PE e OzaBag-PE. Para validá-los, foram realizados experimentos com conjuntos de dados artificiais e reais e os resultados foram avaliados usando a métrica de acurácia e o teste de Friedman com o pós-teste de Nemenyi. Os resultados dos testes com PL-kNN e suas versões mostram que estas contribuições melhoraram o desempenho do K-Nearest Neighbors (k-NN) com valores fixos de k na maior parte dos cenários testados em termos de acurácia. Já os resultados das versões usando PEP evidenciaram que a estimação dinâmica do λ é capaz de produzir bons resultados de acurácia na maioria dos ambientes experimentados. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-09-28 |
dc.date.accessioned.fl_str_mv |
2023-01-18T17:15:28Z |
dc.date.available.fl_str_mv |
2023-01-18T17:15:28Z |
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.citation.fl_str_mv |
GONZÁLEZ HIDALGO, Juan Isidro. Ajuste dinâmico de parâmetros: enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos. 2022. Tese (Doutorado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/48661 |
identifier_str_mv |
GONZÁLEZ HIDALGO, Juan Isidro. Ajuste dinâmico de parâmetros: enfoques, estratégias e experimentações aplicadas na aprendizagem em fluxos de dados com mudanças de conceitos. 2022. Tese (Doutorado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2022. |
url |
https://repositorio.ufpe.br/handle/123456789/48661 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Ciencia da Computacao |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/48661/4/TESE%20Juan%20Isidro%20Gonz%c3%a1lez%20Hidalgo.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/48661/5/TESE%20Juan%20Isidro%20Gonz%c3%a1lez%20Hidalgo.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/48661/1/TESE%20Juan%20Isidro%20Gonz%c3%a1lez%20Hidalgo.pdf https://repositorio.ufpe.br/bitstream/123456789/48661/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/48661/3/license.txt |
bitstream.checksum.fl_str_mv |
ad2b0d9086f4bea2c37f2d7fea528aa5 c713e2f07b803d5b705be664dec8fae5 56e0e029310cdfd0b752e9a45236dce6 e39d27027a6cc9cb039ad269a5db8e34 5e89a1613ddc8510c6576f4b23a78973 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310596511662080 |