Boosting e estratégias evolucionárias na tarefa de regressao para a mineraçao de dados temporais

Detalhes bibliográficos
Autor(a) principal: Vriesmann, Leila Maria
Data de Publicação: 2006
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/3770
Resumo: Orientadora: Aurora Trinidad Ramírez Pozo
id UFPR_a750d358f4197ade6cf6a96921d5e7c4
oai_identifier_str oai:acervodigital.ufpr.br:1884/3770
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Vriesmann, Leila MariaGuimaraes, Alaine MargareteUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaRamirez Pozo, Aurora Trinidad, 1959-2021-07-14T11:50:10Z2021-07-14T11:50:10Z2006https://hdl.handle.net/1884/3770Orientadora: Aurora Trinidad Ramírez PozoCo-orientadora: Alaine Margarete GuimaraesDissertaçao (mestrado) - Universidade Federal do Paraná, Setor de Ciencias Exatas, Programa de Pós-Graduaçao em Informática. Defesa: Curitiba, 2006Inclui bibliografiaResumo: O aumento no volume de dados armazenados contribui para o crescimento da expectativa de obter informações implícitas que possam auxiliar em decisões futuras. A extração de padrão nos dados que possuem alguma dimensão de tempo é tarefa da Mineração de Dados Temporais. Quando os atributos têm características numéricas, os padrões podem ser descobertos por meio da regressão, a qual constrói modelos que mapeiam variáveis de entrada x = {x1...xn} para uma variável de saída y. Para determinar modelos (equações) lineares na regressão, convém que a técnica utilizada seja capaz de manipular variáveis contínuas. Diferentes técnicas podem ser utilizadas na Mineração de Dados, como Redes Neurais e algoritmos de Computação Evolucionária (Programação Genética, Algoritmos Genéticos, etc). A Computação Evolucionária (EC – Evolutionary Computation) é uma das áreas do aprendizado de máquina onde a solução de problemas baseia-se na teoria da evolução natural das espécies, proposta por Darwin. Entre as técnicas de Computação Evolucionária, as Estratégias Evolucionárias (ESs – Evolution Strategies) são apropriadas para a manipulação de variáveis contínuas. ESs codificam indivíduos (soluções) na forma de variáveis reais (contínuas) e evoluem essas soluções ao longo das gerações. Assim sendo, Estratégia Evolucionária pode ser utilizada na tarefa de regressão. Para aperfeiçoar as hipóteses obtidas por meio de ES, pode-se utilizar o Boosting, um método de aprendizado de máquina que visa gerar uma única solução precisa, combinando hipóteses fracas. Um algoritmo de Boosting é o AdaBoost, o qual fornece um conjunto de exemplos de treinamento com uma distribuição de pesos a um programa que gera hipóteses fracas. Isso força o programa a focar em exemplos de maior peso. O objetivo deste trabalho foi utilizar AdaBoost e ESs na tarefa de regressão para a Mineração de Dados Temporais. O algoritmo exposto nessa dissertação, denominado ESboost, foi implementado em C++ e utilizou a biblioteca EO. Realizaram-se diferentes experimentos com séries temporais univariadas, com séries temporais multivariadas e com bases de dados de regressão. Em relação às execuções da ES sem Boosting, observou-se que na maioria dos casos houve uma melhora pelo menos com uma das funções de perdas. Em muitos casos, houve melhora em relação à regressão linear e às model trees do software Weka, o qual é uma ferramenta para Mineração de Dados. Os resultados do ESboost nas séries temporais univariadas superaram o modelo ARMA em quase todas as séries. Trabalhos futuros poderão constituir-se da aplicação de outras técnicas de aprendizado de máquina no lugar de ES, de experimentos com outras funções de fitness e de estudos comparativos com outras metodologias para a predição de eventosviii, 65f. : il., tabs.application/pdfDisponível em formato digitalInformáticaBanco de dados temporaisAnalise de series temporais - Processamento de dadosMineração de dados (Computação)TesesCiencia da ComputaçãoBoosting e estratégias evolucionárias na tarefa de regressao para a mineraçao de dados temporaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALDissertBoosting_ES_MDTemporal.pdfapplication/pdf1044007https://acervodigital.ufpr.br/bitstream/1884/3770/1/DissertBoosting_ES_MDTemporal.pdf7fbb56881de098d4792c3bbff0aea2e8MD51open accessTEXTDissertBoosting_ES_MDTemporal.pdf.txtExtracted Texttext/plain125495https://acervodigital.ufpr.br/bitstream/1884/3770/2/DissertBoosting_ES_MDTemporal.pdf.txt90e85696fd7fc04dcb6052c9f3616f7cMD52open accessTHUMBNAILDissertBoosting_ES_MDTemporal.pdf.jpgGenerated Thumbnailimage/jpeg1124https://acervodigital.ufpr.br/bitstream/1884/3770/3/DissertBoosting_ES_MDTemporal.pdf.jpge77d71151c81c59fea52b55c2471aaf9MD53open access1884/37702021-07-14 08:50:10.735open accessoai:acervodigital.ufpr.br:1884/3770Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082021-07-14T11:50:10Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Boosting e estratégias evolucionárias na tarefa de regressao para a mineraçao de dados temporais
title Boosting e estratégias evolucionárias na tarefa de regressao para a mineraçao de dados temporais
spellingShingle Boosting e estratégias evolucionárias na tarefa de regressao para a mineraçao de dados temporais
Vriesmann, Leila Maria
Informática
Banco de dados temporais
Analise de series temporais - Processamento de dados
Mineração de dados (Computação)
Teses
Ciencia da Computação
title_short Boosting e estratégias evolucionárias na tarefa de regressao para a mineraçao de dados temporais
title_full Boosting e estratégias evolucionárias na tarefa de regressao para a mineraçao de dados temporais
title_fullStr Boosting e estratégias evolucionárias na tarefa de regressao para a mineraçao de dados temporais
title_full_unstemmed Boosting e estratégias evolucionárias na tarefa de regressao para a mineraçao de dados temporais
title_sort Boosting e estratégias evolucionárias na tarefa de regressao para a mineraçao de dados temporais
author Vriesmann, Leila Maria
author_facet Vriesmann, Leila Maria
author_role author
dc.contributor.other.pt_BR.fl_str_mv Guimaraes, Alaine Margarete
Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.author.fl_str_mv Vriesmann, Leila Maria
dc.contributor.advisor1.fl_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
contributor_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.subject.por.fl_str_mv Informática
Banco de dados temporais
Analise de series temporais - Processamento de dados
Mineração de dados (Computação)
Teses
Ciencia da Computação
topic Informática
Banco de dados temporais
Analise de series temporais - Processamento de dados
Mineração de dados (Computação)
Teses
Ciencia da Computação
description Orientadora: Aurora Trinidad Ramírez Pozo
publishDate 2006
dc.date.issued.fl_str_mv 2006
dc.date.accessioned.fl_str_mv 2021-07-14T11:50:10Z
dc.date.available.fl_str_mv 2021-07-14T11:50:10Z
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/1884/3770
url https://hdl.handle.net/1884/3770
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 viii, 65f. : il., 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/1884/3770/1/DissertBoosting_ES_MDTemporal.pdf
https://acervodigital.ufpr.br/bitstream/1884/3770/2/DissertBoosting_ES_MDTemporal.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/3770/3/DissertBoosting_ES_MDTemporal.pdf.jpg
bitstream.checksum.fl_str_mv 7fbb56881de098d4792c3bbff0aea2e8
90e85696fd7fc04dcb6052c9f3616f7c
e77d71151c81c59fea52b55c2471aaf9
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_ 1801860672406945792

Registros relacionados