Made available in DSpace on 2014-12-17T15:48:00Z (GMT). No. of bitstreams: 1 ReginaRP_DISSERT.pdf: 1401966 bytes, checksum: 6823e0f79e0b8c97c1c944a55bbfe9c4 (MD5) Previous issue date: 2012-05-21 / In the world we are constantly performing everyday actions. Two of these actions are frequent and of great importance: classify (sort by classes) and take decision. When we encounter problems with a relatively high degree of complexity, we tend to seek other opinions, usually from people who have some knowledge or even to the extent possible, are experts in the problem domain in question in order to help us in the decision-making process. Both the classification process as the process of decision making, we are guided by consideration of the characteristics involved in the specific problem. The characterization of a set of objects is part of the decision making process in general. In Machine Learning this classification happens through a learning algorithm and the characterization is applied to databases. The classification algorithms can be employed individually or by machine committees. The choice of the best methods to be used in the construction of a committee is a very arduous task. In this work, it will be investigated meta-learning techniques in selecting the best configuration parameters of homogeneous committees for applications in various classification problems. These parameters are: the base classifier, the architecture and the size of this architecture. We investigated nine types of inductors candidates for based classifier, two methods of generation of architecture and nine medium-sized groups for architecture. Dimensionality reduction techniques have been applied to metabases looking for improvement. Five classifiers methods are investigated as meta-learners in the process of choosing the best parameters of a homogeneous committee. / No universo cotidiano estamos constantemente realizando a??es. Duas dessas a??es s?o frequentes e de grande import?ncia: classificar (distribuir por classes) e tomar decis?o. Quando nos deparamos com problemas com um grau de complexidade relativamente alto, tendemos a buscar outras opini?es, geralmente de pessoas que tenham certo conhecimento ou at? mesmo, na medida do poss?vel, sejam especialistas no dom?nio do problema em quest?o, de forma que nos ajudem no processo de tomada de decis?o. Tanto no processo de classifica??o quanto em um processo de tomada de decis?o, somos orientados pela considera??o das caracter?sticas envolvidas no problema espec?fico. A caracteriza??o de um conjunto de objetos faz parte do processo de tomada de decis?o em geral. Em Aprendizado de M?quina essa classifica??o acontece atrav?s de um algoritmo de aprendizado e a caracteriza??o ? aplicada ?s bases de dados. Os algoritmos de classifica??o podem ser empregados individualmente ou em forma de comit?s de m?quinas. A escolha dos melhores m?todos a serem utilizados na constru??o de um comit? ? uma tarefa bastante ?rdua. Neste trabalho, ser?o investigadas t?cnicas de meta-aprendizagem na sele??o dos melhores par?metros de configura??o de comit?s homog?neos para aplica??es em problemas diversos de classifica??o. Tais par?metros s?o: o classificador base, a arquitetura e o tamanho desta arquitetura. Foram investigados nove tipos de indutores candidatos a classificador base, dois m?todos de gera??o de arquitetura e tr?s grupos de tamanho m?dio para arquitetura, pequeno, m?dio e grande. Ante um desempenho fraco no processo de meta-aprendizagem foram aplicadas t?cnicas de redu??o de dimensionalidade ?s metabases e seis novos crit?rios de tamanho m?dio da arquitetura foram estabelecidos. Cinco m?todos classificadores s?o investigados como meta-aprendizes no processo de escolha dos melhores par?metros de um comit? homog?neo.

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-01-04T13:19:42Z No. of bitstreams: 1 LeandroAntonioPasa_TESE.pdf: 2290404 bytes, checksum: 02409d9ddb38171fd363b99f26390d89 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-01-05T18:51:41Z (GMT) No. of bitstreams: 1 LeandroAntonioPasa_TESE.pdf: 2290404 bytes, checksum: 02409d9ddb38171fd363b99f26390d89 (MD5) / Made available in DSpace on 2017-01-05T18:51:41Z (GMT). No. of bitstreams: 1 LeandroAntonioPasa_TESE.pdf: 2290404 bytes, checksum: 02409d9ddb38171fd363b99f26390d89 (MD5) Previous issue date: 2016-02-19 / A quantidade de informa??es coletadas e armazenadas cresce a cada dia nas mais diversas ?reas do conhecimento e t?cnicas de minera??o de dados s?o aplicadas a estes conjuntos de dados com o objetivo de extrair conhecimento ?til. A utiliza??o de um ou outro algoritmo, ou o mesmo algoritmo com diferentes atributos pode levar a diferentes resultados, devido ? diversidade dos conjuntos de dados. Na busca por solu??es eficientes para este problema, foram desenvolvidos m?todos de comit?s de m?quinas. Um comit? de m?quinas ? um conjunto de redes neurais trabalhando independentemente cujos resultados s?o combinados em uma ?nica sa?da, alcan?ando uma melhor generaliza??o do que cada uma das redes trabalhando separadamente. A proposta deste trabalho ? desenvolver um novo m?todo para comit?s de mapas de Kohonen, em que a combina??o (fus?o) dos mapas seja ponderada por ?ndices de valida??o de agrupamentos, que seja v?lido para combina??o de mapas de tamanhos iguais e mapas de tamanhos diferentes. O algoritmo proposto foi testado em variados conjuntos de dados provenientes do reposit?rio UCI e do Conjunto de Problemas Fundamentais de Agrupamento. As simula??es computacionais demonstram que o m?todo proposto neste trabalho ? capaz de alcan?ar resultados promissores, conseguindo elevar a performance em compara??o com um ?nico mapa de Kohonen. / The amount of collected and stored information is growing every day in several areas of knowledge and data mining techniques are applied to these datasets in order to extract useful knowledge. One or another algorithm, or the same algorithm with different attributes, can lead to different results due to the dataset diversity. To solve this problem, machines committees methods were developed. A machine committee is a set of neural networks working independently and the results are combined into a single output, achieving a better generalization. The purpose of this work is to develop a new method for Kohonen maps ensemble, where the maps fusion is weighted by cluster validation indices and is suitable for equal size maps fusion and for different size maps fusion. The proposed algorithm has been tested in multiple data sets from the UCI Machine Learning Repository and Fundamental Clustering Problems Suite. Computer simulations show the proposed method is able to reach encouraging results, obtaining raising performance compared with a single Kohonen map.

Made available in DSpace on 2014-12-17T14:56:13Z (GMT). No. of bitstreams: 1 CarlosAAP_DISSERT.pdf: 1150903 bytes, checksum: a90e625336bbabe7e96da74cb85ee7aa (MD5) Previous issue date: 2013-01-31 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / The pattern classification is one of the machine learning subareas that has the most outstanding. Among the various approaches to solve pattern classification problems, the Support Vector Machines (SVM) receive great emphasis, due to its ease of use and good generalization performance. The Least Squares formulation of SVM (LS-SVM) finds the solution by solving a set of linear equations instead of quadratic programming implemented in SVM. The LS-SVMs provide some free parameters that have to be correctly chosen to achieve satisfactory results in a given task. Despite the LS-SVMs having high performance, lots of tools have been developed to improve them, mainly the development of new classifying methods and the employment of ensembles, in other words, a combination of several classifiers. In this work, our proposal is to use an ensemble and a Genetic Algorithm (GA), search algorithm based on the evolution of species, to enhance the LSSVM classification. In the construction of this ensemble, we use a random selection of attributes of the original problem, which it splits the original problem into smaller ones where each classifier will act. So, we apply a genetic algorithm to find effective values of the LS-SVM parameters and also to find a weight vector, measuring the importance of each machine in the final classification. Finally, the final classification is obtained by a linear combination of the decision values of the LS-SVMs with the weight vector. We used several classification problems, taken as benchmarks to evaluate the performance of the algorithm and compared the results with other classifiers / A classifica??o de padr?es ? uma das sub?reas do aprendizado de m?quina que possui maior destaque. Entre as v?rias t?cnicas para resolver problemas de classifica??o de padr?es, as M?quinas de Vetor de Suporte (do ingl?s, Support Vector Machines ou SVM) recebem grande ?nfase, devido a sua facilidade de uso e boa capacidade de generaliza??o. A formula??o por M?nimos Quadrados da SVM (do ingl?s, Least Squares Support Vector Machines ou LS-SVM) encontra um hiperplano de separa??o ?tima atrav?s da solu??o de um sistema de equa??es lineares, evitando assim o uso da programa??o quadr?tica implementada na SVM. As LS-SVMs fornecem alguns par?metros livres que precisam ser corretamente selecionados para alcan?ar resultados satisfat?rios em uma determinada tarefa. Apesar das LS-SVMs possuir elevado desempenho, v?rias ferramentas tem sido desenvolvidas para aprimor?-la, principalmente o desenvolvimento de novos m?todos de classifica??o e a utiliza??o de comit?s de m?quinas, ou seja, a combina??o de v?rios classificadores. Neste trabalho, n?s propomos tanto o uso de um comit? de m?quinas quanto o uso de um Algoritmo Gen?tico (AG), algoritmo de busca baseada na evolu??o das esp?cies, para aprimorar o poder de classifica??o da LS-SVM. Na constru??o desse comit?, utilizamos uma sele??o aleat?ria de atributos do problema original, que divide o problema original em outros menores onde cada classificador do comit? vai atuar. Ent?o, aplicamos o AG para encontrar valores efetivos para os par?metros de cada LS-SVM e tamb?m encontrando um vetor de pesos, medindo a import?ncia de cada m?quina na classifica??o final. Por fim, a classifica??o final ? dada por uma combina??o linear das respostas de cada m?quina ponderadas pelos pesos. Foram utilizados v?rios problemas de classifica??o, tidos como benchmarks, para avaliar o desempenho do algoritmo e comparamos os resultados obtidos com outros classificadores