Comitês de Classificadores Neurais - Estratégias para Construção e Emprego
Autor(a) principal: | |
---|---|
Data de Publicação: | 2015 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/jspui/handle/123456789/26070 |
Resumo: | O emprego de classificadores construídos não de forma monolítica, mas a partir da integração de múltiplos agentes (ou classificadores) combinados de diferentes formas em face da estratégia de solução adotada para o problema, vem sendo estudado e divulgado na literatura há mais de 30 anos e tem sido amplamente utilizado para resolver os mais variados problemas uma vez que, em geral, proporciona melhor desempenho que o apresentado individualmente pelos agentes usados como base para formá-los. Comitê (ensemble) é um tipo de SMC - Sistema de Múltiplos Classificadores, que se caracteriza por ser um paradigma de aprendizado no qual uma coleção finita de alternativas globais para solução de um problema é avaliada em grupo com vistas a estabelecer, a partir delas, uma solução única para o problema. Para que isto ocorra, porém, é necessário que os agentes selecionados para compor o comitê sejam ao mesmo tempo acurados (eficazes) e diversos entre si, o que é conhecido na literatura como o dilema da diversidade versus acurácia. Diversas métricas para calcular a diversidade são encontradas na literatura, a dificuldade, no entanto, ainda reside na forma de medi-la não entre pares de agentes, mas do conjunto como um todo e avaliar a relevância relativa desta diversidade frente à acurácia destes mesmos agentes. A construção de um comitê envolve diversos parâmetros com vistas a melhor determinar seu tamanho e selecionar os agentes mais adequados a compô-lo, o que caracteriza um problema de otimização multiobjetivo, onde o espaço de busca cresce exponencialmente com o número de agentes candidatos. Apesar da intensa investigação ocorrida nestas ultimas décadas, ainda não há um consenso sobre a utilização desses parâmetros nem sobre o método de seleção mais apropriado para garantir uma boa composição. Sendo assim, motivado pelas limitações ainda existentes, esta pesquisa tem por objetivo principal realizar um estudo experimental com o intuito de levantar estratégias que possibilitem, através do cálculo e análise das medidas de acurácia, margem e diversidade sobre o conjunto de treino do comitê, identificar a priori a composição mais provável proporcionar e manter, de forma estável, os melhores desempenhos sobre diferentes conjuntos para testes da capacidade de generalização. |
id |
UFRN_09611c0d178ee5255db4872f6cb77f52 |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/26070 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Lopes Filho, José Gomeshttp://lattes.cnpq.br/1371199678541174Goldbarg, Elizabeth Ferreira Gouveahttp://lattes.cnpq.br/2888641121265608Thome, Antonio Carlos Gayhttp://lattes.cnpq.br/9282046098909851Lima, Josefino Cabral Melohttp://lattes.cnpq.br/5775431994199579Goldbarg, Marco Cesar2018-10-30T13:16:29Z2018-10-30T13:16:29Z2015-02-27LOPES FILHO, José Gomes. Comitês de Classificadores Neurais - Estratégias para Construção e Emprego. 2015. 107f. Dissertação (Mestrado Em Sistemas E Computação) - Centro De Ciências Exatas E Da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2015.https://repositorio.ufrn.br/jspui/handle/123456789/26070porComitê de redes neuraisSistemas de múltiplos classificadoresRelevância das medidas de acurácia-margem-diversidade na previsão da capacidade de generalização de comitês.Comitês de Classificadores Neurais - Estratégias para Construção e Empregoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisO emprego de classificadores construídos não de forma monolítica, mas a partir da integração de múltiplos agentes (ou classificadores) combinados de diferentes formas em face da estratégia de solução adotada para o problema, vem sendo estudado e divulgado na literatura há mais de 30 anos e tem sido amplamente utilizado para resolver os mais variados problemas uma vez que, em geral, proporciona melhor desempenho que o apresentado individualmente pelos agentes usados como base para formá-los. Comitê (ensemble) é um tipo de SMC - Sistema de Múltiplos Classificadores, que se caracteriza por ser um paradigma de aprendizado no qual uma coleção finita de alternativas globais para solução de um problema é avaliada em grupo com vistas a estabelecer, a partir delas, uma solução única para o problema. Para que isto ocorra, porém, é necessário que os agentes selecionados para compor o comitê sejam ao mesmo tempo acurados (eficazes) e diversos entre si, o que é conhecido na literatura como o dilema da diversidade versus acurácia. Diversas métricas para calcular a diversidade são encontradas na literatura, a dificuldade, no entanto, ainda reside na forma de medi-la não entre pares de agentes, mas do conjunto como um todo e avaliar a relevância relativa desta diversidade frente à acurácia destes mesmos agentes. A construção de um comitê envolve diversos parâmetros com vistas a melhor determinar seu tamanho e selecionar os agentes mais adequados a compô-lo, o que caracteriza um problema de otimização multiobjetivo, onde o espaço de busca cresce exponencialmente com o número de agentes candidatos. Apesar da intensa investigação ocorrida nestas ultimas décadas, ainda não há um consenso sobre a utilização desses parâmetros nem sobre o método de seleção mais apropriado para garantir uma boa composição. Sendo assim, motivado pelas limitações ainda existentes, esta pesquisa tem por objetivo principal realizar um estudo experimental com o intuito de levantar estratégias que possibilitem, através do cálculo e análise das medidas de acurácia, margem e diversidade sobre o conjunto de treino do comitê, identificar a priori a composição mais provável proporcionar e manter, de forma estável, os melhores desempenhos sobre diferentes conjuntos para testes da capacidade de generalização.Programa de pós-graduação em sistemas e computaçãoUFRNBrasilinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNTEXTClassificadoresNeurais_LopesFilho_2015.pdf.txtClassificadoresNeurais_LopesFilho_2015.pdf.txtExtracted texttext/plain158831https://repositorio.ufrn.br/bitstream/123456789/26070/2/ClassificadoresNeurais_LopesFilho_2015.pdf.txtf9fa41217cfb031a48295e91517d4216MD52THUMBNAILClassificadoresNeurais_LopesFilho_2015.pdf.jpgClassificadoresNeurais_LopesFilho_2015.pdf.jpgIM Thumbnailimage/jpeg3013https://repositorio.ufrn.br/bitstream/123456789/26070/3/ClassificadoresNeurais_LopesFilho_2015.pdf.jpg65d54c668dcb702bfd279529e664db3bMD53ORIGINALClassificadoresNeurais_LopesFilho_2015.pdfapplication/pdf1777874https://repositorio.ufrn.br/bitstream/123456789/26070/1/ClassificadoresNeurais_LopesFilho_2015.pdf7fdfe0962ebc1574c5284bfc9fcc12beMD51123456789/260702019-01-30 08:12:55.005oai:https://repositorio.ufrn.br:123456789/26070Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2019-01-30T11:12:55Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Comitês de Classificadores Neurais - Estratégias para Construção e Emprego |
title |
Comitês de Classificadores Neurais - Estratégias para Construção e Emprego |
spellingShingle |
Comitês de Classificadores Neurais - Estratégias para Construção e Emprego Lopes Filho, José Gomes Comitê de redes neurais Sistemas de múltiplos classificadores Relevância das medidas de acurácia-margem-diversidade na previsão da capacidade de generalização de comitês. |
title_short |
Comitês de Classificadores Neurais - Estratégias para Construção e Emprego |
title_full |
Comitês de Classificadores Neurais - Estratégias para Construção e Emprego |
title_fullStr |
Comitês de Classificadores Neurais - Estratégias para Construção e Emprego |
title_full_unstemmed |
Comitês de Classificadores Neurais - Estratégias para Construção e Emprego |
title_sort |
Comitês de Classificadores Neurais - Estratégias para Construção e Emprego |
author |
Lopes Filho, José Gomes |
author_facet |
Lopes Filho, José Gomes |
author_role |
author |
dc.contributor.authorID.pt_BR.fl_str_mv |
|
dc.contributor.advisorID.pt_BR.fl_str_mv |
|
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1371199678541174 |
dc.contributor.referees1.none.fl_str_mv |
Goldbarg, Elizabeth Ferreira Gouvea |
dc.contributor.referees1ID.pt_BR.fl_str_mv |
|
dc.contributor.referees1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2888641121265608 |
dc.contributor.referees2.none.fl_str_mv |
Thome, Antonio Carlos Gay |
dc.contributor.referees2ID.pt_BR.fl_str_mv |
|
dc.contributor.referees2Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9282046098909851 |
dc.contributor.referees3.none.fl_str_mv |
Lima, Josefino Cabral Melo |
dc.contributor.referees3ID.pt_BR.fl_str_mv |
|
dc.contributor.referees3Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/5775431994199579 |
dc.contributor.author.fl_str_mv |
Lopes Filho, José Gomes |
dc.contributor.advisor1.fl_str_mv |
Goldbarg, Marco Cesar |
contributor_str_mv |
Goldbarg, Marco Cesar |
dc.subject.por.fl_str_mv |
Comitê de redes neurais Sistemas de múltiplos classificadores Relevância das medidas de acurácia-margem-diversidade na previsão da capacidade de generalização de comitês. |
topic |
Comitê de redes neurais Sistemas de múltiplos classificadores Relevância das medidas de acurácia-margem-diversidade na previsão da capacidade de generalização de comitês. |
description |
O emprego de classificadores construídos não de forma monolítica, mas a partir da integração de múltiplos agentes (ou classificadores) combinados de diferentes formas em face da estratégia de solução adotada para o problema, vem sendo estudado e divulgado na literatura há mais de 30 anos e tem sido amplamente utilizado para resolver os mais variados problemas uma vez que, em geral, proporciona melhor desempenho que o apresentado individualmente pelos agentes usados como base para formá-los. Comitê (ensemble) é um tipo de SMC - Sistema de Múltiplos Classificadores, que se caracteriza por ser um paradigma de aprendizado no qual uma coleção finita de alternativas globais para solução de um problema é avaliada em grupo com vistas a estabelecer, a partir delas, uma solução única para o problema. Para que isto ocorra, porém, é necessário que os agentes selecionados para compor o comitê sejam ao mesmo tempo acurados (eficazes) e diversos entre si, o que é conhecido na literatura como o dilema da diversidade versus acurácia. Diversas métricas para calcular a diversidade são encontradas na literatura, a dificuldade, no entanto, ainda reside na forma de medi-la não entre pares de agentes, mas do conjunto como um todo e avaliar a relevância relativa desta diversidade frente à acurácia destes mesmos agentes. A construção de um comitê envolve diversos parâmetros com vistas a melhor determinar seu tamanho e selecionar os agentes mais adequados a compô-lo, o que caracteriza um problema de otimização multiobjetivo, onde o espaço de busca cresce exponencialmente com o número de agentes candidatos. Apesar da intensa investigação ocorrida nestas ultimas décadas, ainda não há um consenso sobre a utilização desses parâmetros nem sobre o método de seleção mais apropriado para garantir uma boa composição. Sendo assim, motivado pelas limitações ainda existentes, esta pesquisa tem por objetivo principal realizar um estudo experimental com o intuito de levantar estratégias que possibilitem, através do cálculo e análise das medidas de acurácia, margem e diversidade sobre o conjunto de treino do comitê, identificar a priori a composição mais provável proporcionar e manter, de forma estável, os melhores desempenhos sobre diferentes conjuntos para testes da capacidade de generalização. |
publishDate |
2015 |
dc.date.issued.fl_str_mv |
2015-02-27 |
dc.date.accessioned.fl_str_mv |
2018-10-30T13:16:29Z |
dc.date.available.fl_str_mv |
2018-10-30T13:16:29Z |
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.citation.fl_str_mv |
LOPES FILHO, José Gomes. Comitês de Classificadores Neurais - Estratégias para Construção e Emprego. 2015. 107f. Dissertação (Mestrado Em Sistemas E Computação) - Centro De Ciências Exatas E Da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2015. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/jspui/handle/123456789/26070 |
identifier_str_mv |
LOPES FILHO, José Gomes. Comitês de Classificadores Neurais - Estratégias para Construção e Emprego. 2015. 107f. Dissertação (Mestrado Em Sistemas E Computação) - Centro De Ciências Exatas E Da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2015. |
url |
https://repositorio.ufrn.br/jspui/handle/123456789/26070 |
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.publisher.program.fl_str_mv |
Programa de pós-graduação em sistemas e computação |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/26070/2/ClassificadoresNeurais_LopesFilho_2015.pdf.txt https://repositorio.ufrn.br/bitstream/123456789/26070/3/ClassificadoresNeurais_LopesFilho_2015.pdf.jpg https://repositorio.ufrn.br/bitstream/123456789/26070/1/ClassificadoresNeurais_LopesFilho_2015.pdf |
bitstream.checksum.fl_str_mv |
f9fa41217cfb031a48295e91517d4216 65d54c668dcb702bfd279529e664db3b 7fdfe0962ebc1574c5284bfc9fcc12be |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117803059183616 |