Spelling suggestions: "subject:"somit?s dde m?quinase"" "subject:"somit?s dde m?aquinas""
1 |
Abordagem de constru??o de arquitetura homog?nea para comit?s via meta-aprendizagemParente, Regina Rosa 21 May 2012 (has links)
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.
|
2 |
Contribui??o ao estudo de fus?o de mapas auto organiz?veis de Kohonen com pondera??o por meio de ?ndices de valida??o de agrupamentosPasa, Leandro Antonio 19 February 2016 (has links)
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.
|
3 |
Algoritmos gen?ticos aplicados a um comit? de LS-SVM em problemas de classifica??oPadilha, Carlos Alberto de Ara?jo 31 January 2013 (has links)
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
|
Page generated in 0.0556 seconds