Métodos de busca direta para seleção de parâmetros em máquinas de vetores suporte
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPR |
Texto Completo: | https://hdl.handle.net/1884/55012 |
Resumo: | Orientador : Prof. Dr. Lucas Garcia Pedroso |
id |
UFPR_6c087264e9e6e03cdcd1fee119c1090f |
---|---|
oai_identifier_str |
oai:acervodigital.ufpr.br:1884/55012 |
network_acronym_str |
UFPR |
network_name_str |
Repositório Institucional da UFPR |
repository_id_str |
308 |
spelling |
Benatti, Natalha Cristina da Cruz MachadoUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em MatemáticaPedroso, Lucas Garcia2019-03-28T22:40:26Z2019-03-28T22:40:26Z2017https://hdl.handle.net/1884/55012Orientador : Prof. Dr. Lucas Garcia PedrosoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Matemática. Defesa : Curitiba, 28/07/2017Inclui referênciasResumo: Nesta dissertação apresentamos uma revisão de conceitos acerca das máquinas de vetores suporte, utilizadas para problemas de classificação e regressão no contexto de aprendizagem de m'máquina. Abordamos detalhes sobre as soluções dos problemas primal e dual gerados pela teoria de m'máquinas de vetores suporte para classificação. Tendo em vista que escolher adequadamente os parâmetros utilizados nos problemas de Otimização envolvidos pode melhorar o desempenho do classificador, estudamos dois métodos de otimização sem derivadas, a saber, busca padrão e busca direta com malha adaptável, e discutimos como estes podem auxiliar nessa tarefa. Para avaliar a eficiência de tais métodos nesse contexto, nós os comparamos com a clássica busca por grid na aplicação a trinta e quatro problemas de classificação binária da biblioteca LIBSVM. Constatamos que a busca padrão utilizada e a busca direta com malha adaptável foram capazes de encontrar parâmetros tão bons quanto a busca por grid, com baixa taxa de vetores suporte e alta taxa de acerto no conjunto de teste, resultando em horas ou até dias de economia de processamento. Palavras-chave: Máquinas de vetores suporte, Otimização sem derivadas, parâmetros algorítmicos, busca padrão, método de busca direta com malha adaptável.Abstract: In this work, we present a review on support vector machines, a very useful tool for classification and regression problems on machine learning. We discuss details about solutions of the primal and dual problems generated by the theory of support vector machines for classification. Considering that properly choosing the parameters used in the problems of optimization involved can improve the performance of the classifier, we studied two methods of derivative-free Optimization, namely pattern search method and mesh adaptive direct search method, and we discussed how they can help in this task. In order to verify the efficiency of such methods in this context, we compare them with the classic grid search in the application to thirty four binary classification problems of the LIBSVM library. We found that the pattern search and the mesh adaptive direct search were able to find parameters as good as the ones found by the grid search, with low support vector rates and high accuracy in the test set, resulting in hours or even days of processing economy. Keywords: Support vector machines, derivative-free Optimization, algorithmic parameters, pattern search, mesh adaptive direct search method.104 p. : il.application/pdfAprendizado do computadorMatemáticaOtimização matemáticaMétodos de busca direta para seleção de parâmetros em máquinas de vetores suporteinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - NATALHA CRISTINA DA CRUZ MACHADO BENATTI.pdfapplication/pdf2110655https://acervodigital.ufpr.br/bitstream/1884/55012/1/R%20-%20D%20-%20NATALHA%20CRISTINA%20DA%20CRUZ%20MACHADO%20BENATTI.pdf360d25029caa4cb8011568e369c09d0eMD51open access1884/550122019-03-28 19:40:26.712open accessoai:acervodigital.ufpr.br:1884/55012Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082019-03-28T22:40:26Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false |
dc.title.pt_BR.fl_str_mv |
Métodos de busca direta para seleção de parâmetros em máquinas de vetores suporte |
title |
Métodos de busca direta para seleção de parâmetros em máquinas de vetores suporte |
spellingShingle |
Métodos de busca direta para seleção de parâmetros em máquinas de vetores suporte Benatti, Natalha Cristina da Cruz Machado Aprendizado do computador Matemática Otimização matemática |
title_short |
Métodos de busca direta para seleção de parâmetros em máquinas de vetores suporte |
title_full |
Métodos de busca direta para seleção de parâmetros em máquinas de vetores suporte |
title_fullStr |
Métodos de busca direta para seleção de parâmetros em máquinas de vetores suporte |
title_full_unstemmed |
Métodos de busca direta para seleção de parâmetros em máquinas de vetores suporte |
title_sort |
Métodos de busca direta para seleção de parâmetros em máquinas de vetores suporte |
author |
Benatti, Natalha Cristina da Cruz Machado |
author_facet |
Benatti, Natalha Cristina da Cruz Machado |
author_role |
author |
dc.contributor.other.pt_BR.fl_str_mv |
Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Matemática |
dc.contributor.author.fl_str_mv |
Benatti, Natalha Cristina da Cruz Machado |
dc.contributor.advisor1.fl_str_mv |
Pedroso, Lucas Garcia |
contributor_str_mv |
Pedroso, Lucas Garcia |
dc.subject.por.fl_str_mv |
Aprendizado do computador Matemática Otimização matemática |
topic |
Aprendizado do computador Matemática Otimização matemática |
description |
Orientador : Prof. Dr. Lucas Garcia Pedroso |
publishDate |
2017 |
dc.date.issued.fl_str_mv |
2017 |
dc.date.accessioned.fl_str_mv |
2019-03-28T22:40:26Z |
dc.date.available.fl_str_mv |
2019-03-28T22:40:26Z |
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/1884/55012 |
url |
https://hdl.handle.net/1884/55012 |
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.format.none.fl_str_mv |
104 p. : il. 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/1884/55012/1/R%20-%20D%20-%20NATALHA%20CRISTINA%20DA%20CRUZ%20MACHADO%20BENATTI.pdf |
bitstream.checksum.fl_str_mv |
360d25029caa4cb8011568e369c09d0e |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1801860515992961024 |