Métodos de busca direta para seleção de parâmetros em máquinas de vetores suporte

Detalhes bibliográficos
Autor(a) principal: Benatti, Natalha Cristina da Cruz Machado
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