The contents of Chapter 6 are based on work published in IPSJ Transactions on Mathematical Modeling and Its Applications, vol.9(1), pp.32-42, 2016. / 京都大学 / 0048 / 新制・課程博士 / 博士(情報学) / 甲第19846号 / 情博第597号 / 新制||情||104(附属図書館) / 32882 / 京都大学大学院情報学研究科知能情報学専攻 / (主査)教授 山本 章博, 教授 鹿島 久嗣, 教授 阿久津 達也 / 学位規則第4条第1項該当 / Doctor of Informatics / Kyoto University / DFAM

Submitted by Breno Freitas (brenolimadefreitas@gmail.com) on 2018-01-11T05:18:51Z No. of bitstreams: 1 tese.pdf: 2292309 bytes, checksum: 6fed87a7d149f4ecf1b124c3dbe48d9e (MD5) / Rejected by Milena Rubi ( ri.bso@ufscar.br), reason: Bom dia Breno! Além da dissertação, você deve submeter também a carta comprovante devidamente preenchida e assinada pelo orientador. O modelo da carta encontra-se na página inicial do site do Repositório Institucional. Att., Milena P. Rubi Bibliotecária CRB8-6635 Biblioteca Campus Sorocaba on 2018-01-11T12:06:11Z (GMT) / Submitted by Breno Freitas (brenolimadefreitas@gmail.com) on 2018-01-11T14:51:00Z No. of bitstreams: 2 tese.pdf: 2292309 bytes, checksum: 6fed87a7d149f4ecf1b124c3dbe48d9e (MD5) atestado-deposito-assinado.pdf: 159376 bytes, checksum: 4d20d8676988e631bc8b46f7c2224bcb (MD5) / Approved for entry into archive by Milena Rubi ( ri.bso@ufscar.br) on 2018-01-12T10:35:56Z (GMT) No. of bitstreams: 2 tese.pdf: 2292309 bytes, checksum: 6fed87a7d149f4ecf1b124c3dbe48d9e (MD5) atestado-deposito-assinado.pdf: 159376 bytes, checksum: 4d20d8676988e631bc8b46f7c2224bcb (MD5) / Approved for entry into archive by Milena Rubi ( ri.bso@ufscar.br) on 2018-01-12T10:36:13Z (GMT) No. of bitstreams: 2 tese.pdf: 2292309 bytes, checksum: 6fed87a7d149f4ecf1b124c3dbe48d9e (MD5) atestado-deposito-assinado.pdf: 159376 bytes, checksum: 4d20d8676988e631bc8b46f7c2224bcb (MD5) / Made available in DSpace on 2018-01-12T10:36:25Z (GMT). No. of bitstreams: 2 tese.pdf: 2292309 bytes, checksum: 6fed87a7d149f4ecf1b124c3dbe48d9e (MD5) atestado-deposito-assinado.pdf: 159376 bytes, checksum: 4d20d8676988e631bc8b46f7c2224bcb (MD5) Previous issue date: 2017-12-14 / Não recebi financiamento / For the last decades, many Machine Learning methods have been proposed aiming categorizing data. Given many tentative models, those methods try to find the one that fits the dataset by building a hypothesis that predicts unseen samples reasonably well. One of the main concerns in that regard is selecting a model that performs well in unseen samples not overfitting on the known data. In this work, we introduce a classification method based on the minimum description length principle, which naturally offers a tradeoff between model complexity and data fit. The proposed method is multiclass, online and is generic in the regard of data representation. The experiments conducted in real datasets with many different characteristics, have shown that the proposed method is statiscally equivalent to the other classical baseline methods in the literature in the offline scenario and it performed better than some when tested in an online scenario. Moreover, the method has proven to be robust to overfitting and data normalization which poses great features a classifier must have in order to deal with large, complex and real-world classification problems. / Ao longo das últimas décadas, diversos métodos de aprendizado de máquina vêm sendo propostos com o intuito de classificar dados. Entre os modelos candidatos, procura-se selecionar um que se ajuste bem aos dados de treinamento, criando uma hipótese que faça boas predições em amostras não analisadas anteriormente. Um dos maiores desafios é selecionar um modelo, cuja hipótese não seja sobre-ajustada aos dados conhecidos, sendo genérica o suficiente para boas predições futuras. Neste trabalho, é apresentado um método de classificação baseado no princípio da descrição mais simples que efetua uma troca benéfica entre a complexidade do modelo e o ajuste aos dados. O método proposto é multiclasse, incremental e pode ser usado em dados com atributos categóricos, numéricos e contínuos. Experimentos conduzidos em bases reais de diversas características mostraram que o método proposto é estatisticamente equivalente à métodos clássicos na literatura para o cenário offline e superior a alguns métodos no cenário de aprendizado incremental. Além disso, o método mostrou-se robusto ao sobre-ajustamento e à normalização dos dados, apresentando características benéficas para um método de classificação que pode ser aplicado nos dias atuais.