Return to search

Arquitetura híbrida para otimização multi-objetivo de SVMs

Submitted by Luiz Felipe Barbosa (luiz.fbabreu2@ufpe.br) on 2015-03-12T13:03:02Z
No. of bitstreams: 2
Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Approved for entry into archive by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-13T13:13:38Z (GMT) No. of bitstreams: 2
Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-13T13:13:38Z (GMT). No. of bitstreams: 2
Dissertaçao Péricles Miranda.pdf: 2165606 bytes, checksum: d9dd28b8af21e867949112bcb33578ac (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Previous issue date: 2013-02-22 / Vem sendo dada grande atenção às Máquinas de Vetores de Suporte (SVMs) devido à sua fundamentação
teórica e seu bom desempenho quando comparadas a outros algoritmos de aprendizado
em diferentes aplicações. Porém, seu bom desempenho depende fortemente da escolha
adequada de seus parâmetros de controle. Como a abordagem de tentativa e erro se torna
impraticável devido às combinações entre os possíveis valores dos parâmetros, a seleção de
parâmetros passou a ser tratada como um problema de otimização, de modo que o objetivo é
encontrar a combinação de valores dos parâmetros mais adequada para um determinado problema.
Embora a utilização de algoritmos de otimização e busca automatizem a seleção de
parâmetros de SVM, ela pode se tornar inviável caso o número de parâmetros a serem selecionados
aumente consideravelmente. Uma alternativa é o uso de Meta-Aprendizado (MA), que
trata a tarefa de seleção de parâmetros como uma tarefa de aprendizado supervisionado. Cada
exemplo de treinamento para o MA (meta-exemplo) armazena características de problemas passados
e o desempenho obtido pelas configurações de parâmetros candidatas. Este conjunto de
meta-exemplos forma a meta-base, sendo esta utilizada para auxiliar no módulo de sugestão ou
meta-aprendiz. O meta-aprendiz tem a função de prever as configurações de parâmetros mais
adequadas para um problema novo baseado em suas características. Deste modo, MA se torna
uma alternativa menos custosa comparada aos algoritmos de otimização, pois faz uso de execuções
passadas no processo de sugestão. Neste trabalho, as sugestões do meta-aprendiz são
utilizadas como soluções iniciais da técnica de busca, sendo esta responsável pelo refinamento
das soluções sugeridas.
Neste trabalho, foi criada uma arquitetura híbrida multi-objetivo, que combina MA com
algoritmos de otimização, inspirados em enxames de partículas, com múltiplos objetivos aplicado
ao problema de seleção de parâmetros de SVMs. Os algoritmos de otimização utilizados
no experimento foram: MOPSO, MOPSO-CDR, MOPSO-CDRS, CSS-MOPSO, m-DNPSO e
MOPSO-CDLS, e os objetivos levados em consideração foram: maximização da taxa de acerto
na classificação e minimização do número de vetores de suporte. De acordo com os resultados
alcançados, ficou comprovado o potencial do MA na sugestão de soluções para os algoritmos
de otimização. O início da busca em regiões promissoras favoreceu a convergência e geração de
soluções ainda melhores, quando comparada a aplicação de algoritmos de busca tradicionais.
Os Pareto fronts gerados foram analisado em 4 perspectivas (spacing, max. spread, hypervolume
e coverage), sendo os resultados da abordagem híbrida superiores aos das técnicas de
otimização tradicionais.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/12415
Date22 February 2013
CreatorsMiranda, Péricles Barbosa Cunha de
ContributorsPrudêncio, Ricardo Bastos Cavalcante
PublisherUniversidade Federal de Pernambuco
Source SetsIBICT Brazilian ETDs
LanguageBreton
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
RightsAttribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess

Page generated in 0.0021 seconds