OLIVEIRA, Adonias Caetano de. Máquina de aprendizagem mínima com opção de rejeição. 2016. 64 f. Dissertação (Mestrado em Ciência da Computação)-Universidade Federal do Ceará, Fortaleza, 2016. / Submitted by Anderson Silva Pereira (anderson.pereiraaa@gmail.com) on 2017-01-10T22:32:38Z No. of bitstreams: 1 2016_dis_acoliveira.pdf: 1484049 bytes, checksum: 69ee53b0239792605dd28e1cc3c298cc (MD5) / Approved for entry into archive by Rocilda Sales (rocilda@ufc.br) on 2017-01-11T15:47:12Z (GMT) No. of bitstreams: 1 2016_dis_acoliveira.pdf: 1484049 bytes, checksum: 69ee53b0239792605dd28e1cc3c298cc (MD5) / Made available in DSpace on 2017-01-11T15:47:12Z (GMT). No. of bitstreams: 1 2016_dis_acoliveira.pdf: 1484049 bytes, checksum: 69ee53b0239792605dd28e1cc3c298cc (MD5) Previous issue date: 2016 / The Minimal Learning Machine (MLM) is an inductive learning method applied to supervised classification and regression problems. It is basically a mapping between points in the geometric configurations of the input and output space. With the known configuration to an entry point in the input space corresponding to the output configuration space after obtaining a simple linear model learning distance between arrays of input and output can be estimated. The estimated result is then passed to locate the exit point and thus provide an estimate for response or indication of the class. The MLM has reached a promising performance in various classification and regression problems compared with other classical methods of learning. However, it has not yet been analyzed performance using classification strategy of rejection option. This technique protects the system for decision support in many human activities, especially in the field of medicine, against excessive errors like making difficult decision consequences. In this way, potential errors are converted into rejection, avoiding further confusion and delegating them well for the evaluation of an expert, or even, for more specialized classifiers. Therefore, the purpose of this dissertation is the development of the Minimum Learning Machine (MLM) and its variants with Rejection option in binary classification problems, more specifically, in the classification of diseases Spinal (PVC-2C), Diabetes (Pima Indians diabetes), survival of breast cancer (Haberman) and prediction software defects (KC2). The evaluation of the performance of these techniques is, in general, the analysis of the accuracy-rejection curve compared to more traditional methods of classification with rejection option that are based in methods Perceptron Multilayer (MLP), K-Neighbors More Next (K -NN) and K-Means. / A Máquina de Aprendizagem Mínima (MLM) é um método de aprendizagem indutivo supervisionado aplicado em problemas de classificação e regressão. Basicamente é um mapeamento entre configurações geométricas dos pontos no espaço de entrada e saída. Com a configuração conhecida para um ponto de entrada no espaço de entrada poderá ser estimada a configuração correspondente no espaço de saída após a obtenção de um modelo de aprendizagem linear simples entre matrizes de distância da entrada e saída. O resultado estimado é então aproveitado para localizar o ponto de saída e, assim, prover uma estimativa para resposta ou indicação da classe. A MLM tem alcançado um desempenho promissor em vários problemas de classificação e regressão em comparação com outros métodos clássicos de aprendizagem. Entretanto, ainda não foi analisado seu desempenho utilizando estratégia de classificação com opção de rejeição. Essa técnica protege o sistema de apoio à decisão em muitas atividades humanas, sobretudo no domínio da medicina, contra erros excessivos como consequências de tomadas de decisão difíceis. Dessa maneira, potenciais erros são convertidos em rejeição, evitando maior confusão e delegando-os assim para a avaliação de um especialista, ou mesmo, por classificadores mais especializados. Portanto, a proposta desta dissertação é o desenvolvimento da Máquina de Aprendizagem Mínima (MLM) e suas variantes com opção de Rejeição em problemas de classificação binária, mais especificamente, na classificação de patologias da Coluna Vertebral (PVC-2C), Diabetes (Pima Indians diabetes), sobrevivência do Câncer de Mama (Haberman) e predição de defeitos de software (KC2). A avaliação do desempenho dessas técnicas consiste, em geral, na análise da curva de acurácia-rejeição comparativamente com métodos mais tradicionais de classificação com opção de rejeição que se baseiam os métodos Perceptron Multicamadas (MLP), K-Vizinhos mais Próximos (K-NN) e K-Médias.

CALDAS, Weslley Lioba. Proposta de dois métodos semi-supervisionados baseados na Máquina de Aprendizagem Mínima utilizando Co-Training. 2017. 59 f. Dissertação (Mestrado em Ciência da Computação)-Universidade Federal do Ceará, Fortaleza, 2017. / Submitted by Jonatas Martins (jonatasmartins@lia.ufc.br) on 2017-08-22T13:55:44Z No. of bitstreams: 1 2017_dis_wlcaldas.pdf: 1068662 bytes, checksum: ad990ce15a01469a49af267bcd278467 (MD5) / Approved for entry into archive by Rocilda Sales (rocilda@ufc.br) on 2017-08-22T15:18:33Z (GMT) No. of bitstreams: 1 2017_dis_wlcaldas.pdf: 1068662 bytes, checksum: ad990ce15a01469a49af267bcd278467 (MD5) / Made available in DSpace on 2017-08-22T15:18:33Z (GMT). No. of bitstreams: 1 2017_dis_wlcaldas.pdf: 1068662 bytes, checksum: ad990ce15a01469a49af267bcd278467 (MD5) Previous issue date: 2017 / Semi-supervised learning is an important fild of machine learning, combining the use of labeled data with unlabelled data, and has gained attention of academic community in the last years. This is mainly due to the large amount of data available and the work required to label these data, making semi-supervised learning an attractive methodology because it requires a reduced amount of labeled data. Regarding the various approaches of semi-supervised learning, Co-Training has become popular because of its simple formulation and promising results in different areas. In this work, we propose Co-MLM, a semi-supervised method that uses the Minimal Learning Machine (MLM), a recent proposed supervised method, in conjunction with the Co-Training methodology. In addition, we also propose a quick version of this same method, named Fast Co-MLM, using as base classifier the NN-MLM method, an MLM variant. Both methods were compared using data sets from the UCI, UCF and DataGov repositories, demonstrating ability to learn about unlabeled data, and promising results when compared with other Co-training based algorithms. / O aprendizado semi-supervisionado é um importante ramo de aprendizado de máquina, que combina dados rotulados com dados não rotulados, tendo ganho bastante atenção da comunidade acadêmica nos últimos anos. Isso se deve principalmente a grande quantidade de dados disponíveis e o trabalho necessário para rotular estes dados, tornando o aprendizado semi-supervisionado uma metodologia atrativa por necessitar de uma quantidade relativamente reduzida de dados rotulados. Acerca das diversas abordagens de aprendizado semi-supervisionado, Co-Training tem se tornado popular devido a sua formulação simples e resultados promissores em diferentes áreas. Neste trabalho propõem-se Co-MLM, um método semi-supervisionado que utiliza o recente método supervisionado Máquina de Aprendizagem Mínima, do inglês Minimal Learning Machine (MLM) em conjunto com a metodologia Co-Training. Além disso, propõem-se também uma versão rápida deste mesmo método, nomeada de Fast Co-MLM, usando como classificador base NN-MLM, uma variante do MLM. Ambos os métodos foram comparados utilizando conjuntos de dados proveniente dos repositórios UCI, UCF e DataGov, demonstrando capacidade de aprender sobre dados não rotulados, além de resultados promissores quando comparados com outros algoritmos baseados em Co-Training.