Estudos empíricos dos métodos de balanceamento para a classificação

Detalhes bibliográficos
Autor(a) principal: Lara, Daiany Francisca
Data de Publicação: 2013
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/32025
Resumo: Orientadora: Profª. Drª. Aurora Trinidad Ramirez Pozo
id UFPR_4c066cad38c6ee98d2ee5798f84a6158
oai_identifier_str oai:acervodigital.ufpr.br:1884/32025
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaRamirez Pozo, Aurora Trinidad, 1959-Lara, Daiany Francisca2024-11-01T17:58:46Z2024-11-01T17:58:46Z2013https://hdl.handle.net/1884/32025Orientadora: Profª. Drª. Aurora Trinidad Ramirez PozoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 01/06/2013Bibliografia: fls. 63-67Resumo: A classificação tem o objetivo de rotular eventos e objetos de acordo com classes preestabelecidas. No entanto, alguns algoritmos perdem a capacidade de predição, quando o conjunto de dados possui uma distribuição desbalanceada entre suas classes. Para tentar resolver esse problema diversos metodos tem sido propostos na literatura. O presente trabalho tem como objetivo analisar e comparar os metodos mais conhecidos que se propõe a resolver o problema de classificação com bases desbalanceadas. Para isto, os metodos foram testados com os classificadores tradicionais como: Naive Bayes, Bayes Net, SMO, MultilayerPerceptron, J48 e JRip. As metricas de avaliação consideradas foram RecallP (verdadeiros positivos), RecallN (Verdadeiros negativos) e finalmente a taxa de acurada. Para realizar esta análise, os testes foram efetuados em 13 bases provenientes do UCI Machine Learning Repository e também em dois conjuntos de bases do "mundo real", que são bases construídas com informações sobre defeitos em sistemas de Orientação a Aspectos. O primeiro conjunto são cinco bases do repositório NASA Metrics Data Project, sendo elas cml, jml, kcl, kc2 e pcl. O segundo conjunto, sao três sistemas Orientados a Aspecto que são: Ibatis, HW (HealthWatcher) e MM (MobileMedia). Os resultados demonstram que e possível melhorar a taxa de classificação, mas e difícil dizer o metodo que se comporta melhor em bases do mundo real, pois tudo depende de como o classificador generaliza a base, principalmente com a presença de dados ruidosos. As bases do UCI, apresentam melhores resultados em relaçao às bases de Engenharia de Software. Isto pode ser explicado em função da natureza dos dados reais que costumam conter mais ruídos.Abstract: The classification aims at labeling objects and events according to pre-established classes. However, some algorithms lose the ability to predict when the data set has an imbalanced distribution between classes. To attack this problem various methods have been proposed in the literature. This work aims to analyze and compare the most popular methods that attempt to solve the classification problem with imbalanced bases. For this, the methods was tested with the traditional classifiers: Naive Bayes, Bayes Net, SMO, Multilayer Perceptron, J48 and JRip. The evaluation metrics RecallP (True Positive), RecallN (True Negatives) and accuracy rate were considered. To accomplish this analyze, tests were made using 13 databases from UCI Machine Learning Repository and also with two sets of databases of real world, wich are built with information about faulty in Aspect-Oriented System. The first set are five databases from NASA Metrics Data Project, they are: cm1, jm1, kc1, kc2 and pc1. The second set, are three Aspect-Oriented System that are: Ibatis, HW (HeathWatcher) and MM (MobileMedia). The results show that is harder to determine the method that behave better in databases of real world, because all depends how the classifier generalizes the database mainly in the presence of noisy data. The UCI databases present better results compared to the results obtained with databases Engineering Software. This difference in the results can be explained by the nature of real data that often have more noise.v, 67f. : il., grafs., tabs.application/pdfDisponível em formato digitalMineração de dados (Computação)Inteligência artificialAprendizado do computadorCiência da computaçãoEstudos empíricos dos métodos de balanceamento para a classificaçãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - DAIANY FRANCISCA LARA.pdfapplication/pdf1454053https://acervodigital.ufpr.br/bitstream/1884/32025/1/R%20-%20D%20-%20DAIANY%20FRANCISCA%20LARA.pdf1e0d13df94614d59dcbac5a624977fcaMD51open accessTEXTR - D - DAIANY FRANCISCA LARA.pdf.txtExtracted Texttext/plain135817https://acervodigital.ufpr.br/bitstream/1884/32025/2/R%20-%20D%20-%20DAIANY%20FRANCISCA%20LARA.pdf.txt86e6e1042408e1ddaaa36fb639a2a54bMD52open accessTHUMBNAILR - D - DAIANY FRANCISCA LARA.pdf.jpgGenerated Thumbnailimage/jpeg1130https://acervodigital.ufpr.br/bitstream/1884/32025/3/R%20-%20D%20-%20DAIANY%20FRANCISCA%20LARA.pdf.jpg20ef82cbbe55bed1f1a27155019eaca2MD53open access1884/320252024-11-01 14:58:46.36open accessoai:acervodigital.ufpr.br:1884/32025Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-11-01T17:58:46Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Estudos empíricos dos métodos de balanceamento para a classificação
title Estudos empíricos dos métodos de balanceamento para a classificação
spellingShingle Estudos empíricos dos métodos de balanceamento para a classificação
Lara, Daiany Francisca
Mineração de dados (Computação)
Inteligência artificial
Aprendizado do computador
Ciência da computação
title_short Estudos empíricos dos métodos de balanceamento para a classificação
title_full Estudos empíricos dos métodos de balanceamento para a classificação
title_fullStr Estudos empíricos dos métodos de balanceamento para a classificação
title_full_unstemmed Estudos empíricos dos métodos de balanceamento para a classificação
title_sort Estudos empíricos dos métodos de balanceamento para a classificação
author Lara, Daiany Francisca
author_facet Lara, Daiany Francisca
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.advisor1.fl_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.contributor.author.fl_str_mv Lara, Daiany Francisca
contributor_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.subject.por.fl_str_mv Mineração de dados (Computação)
Inteligência artificial
Aprendizado do computador
Ciência da computação
topic Mineração de dados (Computação)
Inteligência artificial
Aprendizado do computador
Ciência da computação
description Orientadora: Profª. Drª. Aurora Trinidad Ramirez Pozo
publishDate 2013
dc.date.issued.fl_str_mv 2013
dc.date.accessioned.fl_str_mv 2024-11-01T17:58:46Z
dc.date.available.fl_str_mv 2024-11-01T17:58:46Z
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 https://hdl.handle.net/1884/32025
url https://hdl.handle.net/1884/32025
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv v, 67f. : il., grafs., tabs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/32025/1/R%20-%20D%20-%20DAIANY%20FRANCISCA%20LARA.pdf
https://acervodigital.ufpr.br/bitstream/1884/32025/2/R%20-%20D%20-%20DAIANY%20FRANCISCA%20LARA.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/32025/3/R%20-%20D%20-%20DAIANY%20FRANCISCA%20LARA.pdf.jpg
bitstream.checksum.fl_str_mv 1e0d13df94614d59dcbac5a624977fca
86e6e1042408e1ddaaa36fb639a2a54b
20ef82cbbe55bed1f1a27155019eaca2
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1823527029111259136

Registros relacionados