Um estudo sobre a variação do limiar de confiança do método Flexcon-G para a classificação de dados utilizando aprendizado semissupervisionado

• Autor(a) principal: Tavares, Alan de Medeiros
• Data de Publicação: 2018
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/handle/123456789/42852
• topic: Classification of data; Semi-supervised learning; FlexCon-G method.; Classificação de Dados; Aprendizado Semissupervisionado; Método FlexCon-G

A construção de modelos de aprendizagem de dados trata de um aspecto importante para o Aprendizado de Máquina. Entretanto, a dificuldade encontrada no processo de classificação de dados ainda é um problema relativo a essa área, devido, principalmente, ao número limitado de exemplos das bases de dados e a complexidade da escolha dos exemplos a serem utilizados durante a etapa de treinamento. Por outro lado, o aprendizado semissupervisionado possibilita a construção de modelos de aprendizagem a partir de um conjunto pequeno de exemplos rotulados. Dentro deste tipo de aprendizado existe o algoritmo self-training, que, de maneira iterativa, realiza a classificação de dados no modelo semissupervisionado. Diversos trabalhos têm sido desenvolvidos com intuito de melhorar a classificação dos dados deste algoritmo, dentre eles um que propõe uma modificação no algoritmo original, a fim de atualizar a taxa de inclusão de novos exemplos ao conjunto de treinamento gradativamente, atingindo um número maior de exemplos. Neste contexto, este trabalho tem por objetivo estudar a influência do parâmetro de redução do limiar de confiança no método citado (denominado FlexCon-G). Para avaliar esse estudo, experimentos foram realizados usando 30 bases de dados distintas e com diferentes valores para redução do limiar de confiança. Cada uma delas foi configurada com uma porcentagem diferente dos padrões inicialmente rotulados e treinadas usando os classificadores naive bayes e árvore de decisão. Os resultados obtidos mostraram que os valores avaliados obtiveram melhor desempenho que a proposta original.