Submitted by Regis Albuquerque (regis.albuquerque1@gmail.com) on 2018-06-20T21:40:28Z
No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
dissertacao_regis_corrigida_final.pdf: 2557634 bytes, checksum: b48eb7c37fd9dd633c4489a7f0f041a4 (MD5) / Approved for entry into archive by Secretaria PPGI (secretariappgi@icomp.ufam.edu.br) on 2018-06-20T21:52:37Z (GMT) No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
dissertacao_regis_corrigida_final.pdf: 2557634 bytes, checksum: b48eb7c37fd9dd633c4489a7f0f041a4 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-06-21T13:29:00Z (GMT) No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
dissertacao_regis_corrigida_final.pdf: 2557634 bytes, checksum: b48eb7c37fd9dd633c4489a7f0f041a4 (MD5) / Made available in DSpace on 2018-06-21T13:29:01Z (GMT). No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
dissertacao_regis_corrigida_final.pdf: 2557634 bytes, checksum: b48eb7c37fd9dd633c4489a7f0f041a4 (MD5)
Previous issue date: 2018-06-08 / FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas / Many machine learning applications have to deal with classification problems in dynamic
environments. This type of environment may be affected by concept drift, which may
reduce the accuracy of classification systems significantly. In this context, methods using
ensemble of classifiers are interesting due to the fact that ensembles of classifiers allow the
design of strategies for drift detection and reaction more accurate and robust to changes.
A classification system based on ensemble of classifiers may be divided into three main
phases: classifier generation; single classifier or subset of classifier selection; and classifier
fusion. The selection phase may be performed as a dynamic process. In this case, for each
unknown sample, the individual classifier or classifier ensemble most likely to be correct is
chosen to assign a label to the sample. In this work, it is proposed a method for concept
drift detection and reaction based on dynamic classifier ensemble selection. The proposed
method choses the expert classifier ensemble according to diversity and accuracy values.
Focusing on evaluating the impact of dynamic ensemble selection guided by diversity and
accuracy in terms of concept drift detection and reaction, four series of experiments were
carried in this work using both synthetic and real datasets. In addition, since the proposed
method is broken down into four phases: pool of ensemble classifiers generation; dynamic
ensemble selection; drift detection; and drift reaction, different versions of the proposed
method were investigated by varying the parameters of each phase. The results show that,
in general, all these different versions attain very similar accuracy values. Besides, when
compared to two baselines: (1) DDM - single classifier-based; and (2) Leveraging Bagging
- classifier ensemble-based, our method outperforms both baselines since it achieved higher
accuracy, lower detection delay and false detection rates, and it did not present missing
detection. However, both baselines present lower time complexity. Therefore, this work
shows that dynamic classifier ensemble selection guided by diversity and accuracy helps to
improve detection precision and the general accuracy of classification systems employed in
problems with concept drift. / Muitas aplicações de aprendizado de máquina estão relacionadas com problemas de
classificação em ambientes dinâmicos. Mudança de conceito figura nesse tipo de ambiente e
pode prejudicar muito a acurácia de sistemas de classificação. Nesse contexto, a utilização
de comitês de classificadores é interessante porque possibilita a implementação de processos
de detecção e de reação à mudança mais acurados e robustos. Sistemas de classificação
que utilizam comitês podem possuir três grandes fases: geração; seleção; e integração de
classificadores. A etapa de seleção pode ser feita de forma dinâmica, isto é, para cada
instância desconhecida, o classificador ou comitê de classificadores com maior probabilidade
de acerto é escolhido para atribuir uma classe à essa instância. Neste trabalho, é proposto
um método para detecção e reação à mudança de conceito que utiliza seleção dinâmica de
comitês de classificadores. O método proposto escolhe o comitê especialista com base nos
valores de diversidade e de acurácia de cada comitê candidato. A fim de avaliar o impacto
do uso de seleção dinâmica guiada por diversidade e acurácia nas tarefas de detecção e
reação a mudança de conceito, foram realizadas quatro séries de experimentos com bases
sintéticas e reais. Além disso, como o método proposto é dividido em quatro fases: geração
da população de comitês; seleção dinâmica do comitê especialista; detecção de mudanças;
e reação à mudança, diferentes versões desse método foram investigadas em função da
definição de parâmetros de cada fase. Os resultados dos experimentos mostraram que, de
maneira geral, as versões estudadas são bem equivalentes em termos de acurácia média
final. Adicionalmente, quando comparado a dois baselines: (1) DDM - que utiliza um
único classificador; e (2) Leveraging Bagging - que utiliza um comitê de classificadores,
o método proposto alcançou melhores taxas de acurácia, menores taxas de atraso de
detecção, não deixou de detectar as mudanças conhecidas nas bases e produziu reduzidas
taxas de falsa detecção, apesar de apresentar maior complexidade computacional. Portanto,
o trabalho mostra que o uso de seleção dinâmica guiada por diversidade e acurácia melhora
a precisão de detecção, bem como a acurácia geral de sistemas de classificação utilizados
em problemas que apresentam mudança de conceitos.
Identifer | oai:union.ndltd.org:IBICT/oai:http://localhost:tede/6480 |
Date | 08 June 2018 |
Creators | Albuquerque, Regis Antonio Saraiva, 68999536833 |
Contributors | emsantos@icomp.ufam.edu.br, Santos, Eulanda Miranda dos |
Publisher | Universidade Federal do Amazonas, Programa de Pós-graduação em Informática, UFAM, Brasil, Instituto de Computação |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf |
Source | reponame:Biblioteca Digital de Teses e Dissertações da UFAM, instname:Universidade Federal do Amazonas, instacron:UFAM |
Rights | http://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess |
Relation | 1052477850274827528, 500 |
Page generated in 0.0015 seconds