Seleção dinâmica de atributos para comitês de classificadores
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/jspui/handle/123456789/27362 |
Resumo: | Em aprendizado de máquina (AM), o pré-processamento dos dados tem como objetivo aprimorar a qualidade dos dados que serão utilizados, visando apresentá-los em uma forma adequada para a técnica de AM escolhida. A seleção de atributos é uma de suas principais etapas. Seu principal objetivo é escolher o subconjunto que melhor represente o conjunto de dados, permitindo a redução da dimensionalidade e um possível aumento na precisão dos classi cadores. Existem diferentes abordagens para se realizar a seleção de atributos. A a Seleção Dinâmica é uma delas e parte do princípio de que cada instância é única e que melhores resultados são obtidos quando se seleciona um subconjunto de atributos para cada instância em vez de um único subconjunto para toda a base de dados. Uma vez que uma representação mais compacta dos dados foi selecionada, o próximo passo na classi cação dos dados é a escolha do modelo a ser utilizado. Esse modelo pode ser formado por um único classi cador ou por um sistema de combinação de classi cadores, conhecido como Comitês de classi cadores, que pode ser de nido como a combinação múltiplos classi cadores que serão utilizados para gerar uma resposta nal para o sistema através da combinação de suas respostas individuais. Para que esses sistemas apresentem melhor desempenho que um classi cador individual é necessário promover a diversidade entre os componentes que formam o comitê, isto é, que os componentes do sistema não cometam erros nos mesmos padrões. Por este motivo, a diversidade tem sido considerada um dos aspectos mais importantes no projeto de comitês, já que não existe vantagem na combinação de métodos de classi cação idênticos. O objetivo deste trabalho é utilizar a seleção dinâmica de atributos em sistemas de combinação de classi cadores. Para isso, foram desenvolvidas três versões que realizam essa adaptação de maneira a gerar a diversidade entre os classi cadores base. As versões foram comparadas utilizando diferentes taxas de seleção e quantidade de classi cadores, logo após, a melhor versão encontrada foi comparada com outros métodos encontrados na literatura. |
id |
UFRN_fb88a4a98c9a545320b22c8fc1932e0a |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/27362 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Nunes, Rômulo de OliveiraSantos, Araken de MedeirosAraújo, Daniel Sabino Amorim deCavalcanti, George Darmiton da CunhaAbreu, Marjory Cristiany da CostaCanuto, Anne Magaly de Paula2019-07-22T23:34:07Z2019-07-22T23:34:07Z2019-02-22NUNES, Rômulo de Oliveira. Seleção dinâmica de atributos para comitês de classificadores. 2019. 125f. Tese (Doutorado em Ciência da Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2019.https://repositorio.ufrn.br/jspui/handle/123456789/27362Em aprendizado de máquina (AM), o pré-processamento dos dados tem como objetivo aprimorar a qualidade dos dados que serão utilizados, visando apresentá-los em uma forma adequada para a técnica de AM escolhida. A seleção de atributos é uma de suas principais etapas. Seu principal objetivo é escolher o subconjunto que melhor represente o conjunto de dados, permitindo a redução da dimensionalidade e um possível aumento na precisão dos classi cadores. Existem diferentes abordagens para se realizar a seleção de atributos. A a Seleção Dinâmica é uma delas e parte do princípio de que cada instância é única e que melhores resultados são obtidos quando se seleciona um subconjunto de atributos para cada instância em vez de um único subconjunto para toda a base de dados. Uma vez que uma representação mais compacta dos dados foi selecionada, o próximo passo na classi cação dos dados é a escolha do modelo a ser utilizado. Esse modelo pode ser formado por um único classi cador ou por um sistema de combinação de classi cadores, conhecido como Comitês de classi cadores, que pode ser de nido como a combinação múltiplos classi cadores que serão utilizados para gerar uma resposta nal para o sistema através da combinação de suas respostas individuais. Para que esses sistemas apresentem melhor desempenho que um classi cador individual é necessário promover a diversidade entre os componentes que formam o comitê, isto é, que os componentes do sistema não cometam erros nos mesmos padrões. Por este motivo, a diversidade tem sido considerada um dos aspectos mais importantes no projeto de comitês, já que não existe vantagem na combinação de métodos de classi cação idênticos. O objetivo deste trabalho é utilizar a seleção dinâmica de atributos em sistemas de combinação de classi cadores. Para isso, foram desenvolvidas três versões que realizam essa adaptação de maneira a gerar a diversidade entre os classi cadores base. As versões foram comparadas utilizando diferentes taxas de seleção e quantidade de classi cadores, logo após, a melhor versão encontrada foi comparada com outros métodos encontrados na literatura.In machine learning, the data preprocessing has the aim to improve the data quality, through to analyze and to identify of problems in it. So, the machine learning technique will receive the data of a good quality. The feature selection is one of the most important pre-processing phases. Its main aim is to choose the best subset that represents the dataset, aiming to reduce the dimensionality and to increase the classi er performance. There are di erent features selection approaches, on of them is the Dynamic Feature Selection. The Dynamic Feature Selection selects the best subset of attributes for each instance, instead of only one subset for a full dataset. After to select a more compact data representation, the next step in the classi cation is to choose the model to classify the data. This model can be composed by a single classi er or by a system with multiples classi ers, known as Ensembles classi er. These systems to combine the output to obtain a nal answer for the system. For these systems to get better performance than a single classi er it is necessary to promote diversity between the components of the system. So, it is necessary that the base classi ers do not make mistakes for the same patterns. For this, the diversity is considered one of the most important aspects to use ensembles. The aim of the work is to use the Dynamic Feature Selection in Ensembles systems. To this, three versions were developed to adapt this feature selection and to create diversity between the classi ers of the ensemble. The versions were compared using di erent selection rates and ensemble sizes. After this, the best version was tested with other methods founded in literature.CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAOSeleção dinâmica de atributosComitês de ClassificaçãoDiversidadeSeleção dinâmica de atributos para comitês de classificadoresDynamic feature selection for ensemblesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisPROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃOUFRNBrasilinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNTEXTSeleçãodinâmicaatributos_Nunes_2019.pdf.txtSeleçãodinâmicaatributos_Nunes_2019.pdf.txtExtracted texttext/plain188225https://repositorio.ufrn.br/bitstream/123456789/27362/2/Sele%c3%a7%c3%a3odin%c3%a2micaatributos_Nunes_2019.pdf.txt817ea1ef5a7463d916fd01994624b8e9MD52THUMBNAILSeleçãodinâmicaatributos_Nunes_2019.pdf.jpgSeleçãodinâmicaatributos_Nunes_2019.pdf.jpgGenerated Thumbnailimage/jpeg1256https://repositorio.ufrn.br/bitstream/123456789/27362/3/Sele%c3%a7%c3%a3odin%c3%a2micaatributos_Nunes_2019.pdf.jpg8cea589cc691846538e1152516769527MD53ORIGINALSeleçãodinâmicaatributos_Nunes_2019.pdfapplication/pdf2892546https://repositorio.ufrn.br/bitstream/123456789/27362/1/Sele%c3%a7%c3%a3odin%c3%a2micaatributos_Nunes_2019.pdf1a1dd69434165edb7037131c43c9ee27MD51123456789/273622019-07-28 02:12:57.201oai:https://repositorio.ufrn.br:123456789/27362Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2019-07-28T05:12:57Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Seleção dinâmica de atributos para comitês de classificadores |
dc.title.alternative.pt_BR.fl_str_mv |
Dynamic feature selection for ensembles |
title |
Seleção dinâmica de atributos para comitês de classificadores |
spellingShingle |
Seleção dinâmica de atributos para comitês de classificadores Nunes, Rômulo de Oliveira CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO Seleção dinâmica de atributos Comitês de Classificação Diversidade |
title_short |
Seleção dinâmica de atributos para comitês de classificadores |
title_full |
Seleção dinâmica de atributos para comitês de classificadores |
title_fullStr |
Seleção dinâmica de atributos para comitês de classificadores |
title_full_unstemmed |
Seleção dinâmica de atributos para comitês de classificadores |
title_sort |
Seleção dinâmica de atributos para comitês de classificadores |
author |
Nunes, Rômulo de Oliveira |
author_facet |
Nunes, Rômulo de Oliveira |
author_role |
author |
dc.contributor.authorID.pt_BR.fl_str_mv |
|
dc.contributor.advisorID.pt_BR.fl_str_mv |
|
dc.contributor.referees1.none.fl_str_mv |
Santos, Araken de Medeiros |
dc.contributor.referees1ID.pt_BR.fl_str_mv |
|
dc.contributor.referees2.none.fl_str_mv |
Araújo, Daniel Sabino Amorim de |
dc.contributor.referees2ID.pt_BR.fl_str_mv |
|
dc.contributor.referees3.none.fl_str_mv |
Cavalcanti, George Darmiton da Cunha |
dc.contributor.referees3ID.pt_BR.fl_str_mv |
|
dc.contributor.referees4.none.fl_str_mv |
Abreu, Marjory Cristiany da Costa |
dc.contributor.referees4ID.pt_BR.fl_str_mv |
|
dc.contributor.author.fl_str_mv |
Nunes, Rômulo de Oliveira |
dc.contributor.advisor1.fl_str_mv |
Canuto, Anne Magaly de Paula |
contributor_str_mv |
Canuto, Anne Magaly de Paula |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO Seleção dinâmica de atributos Comitês de Classificação Diversidade |
dc.subject.por.fl_str_mv |
Seleção dinâmica de atributos Comitês de Classificação Diversidade |
description |
Em aprendizado de máquina (AM), o pré-processamento dos dados tem como objetivo aprimorar a qualidade dos dados que serão utilizados, visando apresentá-los em uma forma adequada para a técnica de AM escolhida. A seleção de atributos é uma de suas principais etapas. Seu principal objetivo é escolher o subconjunto que melhor represente o conjunto de dados, permitindo a redução da dimensionalidade e um possível aumento na precisão dos classi cadores. Existem diferentes abordagens para se realizar a seleção de atributos. A a Seleção Dinâmica é uma delas e parte do princípio de que cada instância é única e que melhores resultados são obtidos quando se seleciona um subconjunto de atributos para cada instância em vez de um único subconjunto para toda a base de dados. Uma vez que uma representação mais compacta dos dados foi selecionada, o próximo passo na classi cação dos dados é a escolha do modelo a ser utilizado. Esse modelo pode ser formado por um único classi cador ou por um sistema de combinação de classi cadores, conhecido como Comitês de classi cadores, que pode ser de nido como a combinação múltiplos classi cadores que serão utilizados para gerar uma resposta nal para o sistema através da combinação de suas respostas individuais. Para que esses sistemas apresentem melhor desempenho que um classi cador individual é necessário promover a diversidade entre os componentes que formam o comitê, isto é, que os componentes do sistema não cometam erros nos mesmos padrões. Por este motivo, a diversidade tem sido considerada um dos aspectos mais importantes no projeto de comitês, já que não existe vantagem na combinação de métodos de classi cação idênticos. O objetivo deste trabalho é utilizar a seleção dinâmica de atributos em sistemas de combinação de classi cadores. Para isso, foram desenvolvidas três versões que realizam essa adaptação de maneira a gerar a diversidade entre os classi cadores base. As versões foram comparadas utilizando diferentes taxas de seleção e quantidade de classi cadores, logo após, a melhor versão encontrada foi comparada com outros métodos encontrados na literatura. |
publishDate |
2019 |
dc.date.accessioned.fl_str_mv |
2019-07-22T23:34:07Z |
dc.date.available.fl_str_mv |
2019-07-22T23:34:07Z |
dc.date.issued.fl_str_mv |
2019-02-22 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
NUNES, Rômulo de Oliveira. Seleção dinâmica de atributos para comitês de classificadores. 2019. 125f. Tese (Doutorado em Ciência da Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2019. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/jspui/handle/123456789/27362 |
identifier_str_mv |
NUNES, Rômulo de Oliveira. Seleção dinâmica de atributos para comitês de classificadores. 2019. 125f. Tese (Doutorado em Ciência da Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2019. |
url |
https://repositorio.ufrn.br/jspui/handle/123456789/27362 |
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/123456789/27362/2/Sele%c3%a7%c3%a3odin%c3%a2micaatributos_Nunes_2019.pdf.txt https://repositorio.ufrn.br/bitstream/123456789/27362/3/Sele%c3%a7%c3%a3odin%c3%a2micaatributos_Nunes_2019.pdf.jpg https://repositorio.ufrn.br/bitstream/123456789/27362/1/Sele%c3%a7%c3%a3odin%c3%a2micaatributos_Nunes_2019.pdf |
bitstream.checksum.fl_str_mv |
817ea1ef5a7463d916fd01994624b8e9 8cea589cc691846538e1152516769527 1a1dd69434165edb7037131c43c9ee27 |
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_ |
1802117639098597376 |