Analysis of machine learning ensembles based on diversity measures

Detalhes bibliográficos
Autor(a) principal: Luca, Vitor Hugo Medeiros De
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/216552
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2020.
id UFSC_48a9399aec2f743446e471452d165f8a
oai_identifier_str oai:repositorio.ufsc.br:123456789/216552
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Analysis of machine learning ensembles based on diversity measuresEngenharia de sistemasAutomaçãoAprendizado do computadorDissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2020.O aprendizado de máquina se popularizou muito nos últimos anos devido ao desenvolvimento de novos algoritmos e teorias, ao crescente acesso aos dados e à crescente capacidade computacional. Neste contexto, existe uma busca constante por maior exatidão das predições realizadas. Dentre as possibilidades existentes, o ensemble de vários modelos tem se destacado em competições de aprendizado de máquina e também em congressos da área por apresentar alta exatidão. No entanto, como consequência, alguns desafios surgem. A complexidade do modelo e o tempo de treinamento aumentam, enquanto a sua interpretabilidade diminui. Não é trivial determinar quais modelos devem ser utilizados e como eles devem ser organizados. Esta dissertação analisa o desempenho do ensemble e a sua relação com a diversidade dos modelos que o compõe com o objetivo de mostrar um conjunto de abordagens com boa probabilidade para se obter um bom resultado. Em outras palavras, fazer com que as predições do ensemble como um todo sejam melhores do que as predições individuais de qualquer um dos modelos que o compõe. Para que este objetivo fosse possível, foi construída uma arquitetura para realização dos experimentos, em que os algoritmos são executados de forma paralela. Os resultados mostram estratégias que funcionaram na prática baseados na literatura da área e no estudo da diversidade de modelos.Abstract: Machine learning has become very popular in recent years due to the development of new algorithms and theories, the increasing access to data and the increasing computational capacity. In this context, there is a constant search for greater accuracy in the predictions made. Among the existing possibilities, the ensemble of several models has stood out in machine learning competitions and also in congresses in the area for presenting high precision. However, as a consequence, some challenges arise. The complexity of the model and the training time increase, while its interpretability decreases. It is not trivial to determine which models should be used and how they should be organized. This thesis analyzes the performance of the ensemble and its relationship with the diversity of the models that compose it with the objective of showing a set of approaches with good probability to obtain a good result. In other words, making the predictions of the ensemble as a whole better than the individual predictions of any of the models that compose it. To make this objective possible, an architecture was built to carry out the experiments, where the models are executed in parallel. The results show strategies that have worked in practice based on the literature in the area and on the study of the diversity of models.Hübner, Jomi FredUniversidade Federal de Santa CatarinaLuca, Vitor Hugo Medeiros De2020-10-21T21:31:14Z2020-10-21T21:31:14Z2020info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis70 p.| il., gráfs.application/pdf370054https://repositorio.ufsc.br/handle/123456789/216552engreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2020-10-21T21:31:14Zoai:repositorio.ufsc.br:123456789/216552Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732020-10-21T21:31:14Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Analysis of machine learning ensembles based on diversity measures
title Analysis of machine learning ensembles based on diversity measures
spellingShingle Analysis of machine learning ensembles based on diversity measures
Luca, Vitor Hugo Medeiros De
Engenharia de sistemas
Automação
Aprendizado do computador
title_short Analysis of machine learning ensembles based on diversity measures
title_full Analysis of machine learning ensembles based on diversity measures
title_fullStr Analysis of machine learning ensembles based on diversity measures
title_full_unstemmed Analysis of machine learning ensembles based on diversity measures
title_sort Analysis of machine learning ensembles based on diversity measures
author Luca, Vitor Hugo Medeiros De
author_facet Luca, Vitor Hugo Medeiros De
author_role author
dc.contributor.none.fl_str_mv Hübner, Jomi Fred
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Luca, Vitor Hugo Medeiros De
dc.subject.por.fl_str_mv Engenharia de sistemas
Automação
Aprendizado do computador
topic Engenharia de sistemas
Automação
Aprendizado do computador
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2020.
publishDate 2020
dc.date.none.fl_str_mv 2020-10-21T21:31:14Z
2020-10-21T21:31:14Z
2020
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 370054
https://repositorio.ufsc.br/handle/123456789/216552
identifier_str_mv 370054
url https://repositorio.ufsc.br/handle/123456789/216552
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 70 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652213737750528

Registros relacionados