Return to search

HCAIM : um método de discretização supervisionado para o contexto de classificação hierárquica.

Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto. / Submitted by giuliana silveira (giulianagphoto@gmail.com) on 2016-04-26T19:09:32Z
No. of bitstreams: 1
Dissertacao_HcaimMétodoDiscretização.pdf: 1165161 bytes, checksum: c41e0ba430aa7de59107de0fadd0e570 (MD5) / Approved for entry into archive by Maurílio Figueiredo (maurilioafigueiredo@yahoo.com.br) on 2016-04-28T12:21:00Z (GMT) No. of bitstreams: 1
Dissertacao_HcaimMétodoDiscretização.pdf: 1165161 bytes, checksum: c41e0ba430aa7de59107de0fadd0e570 (MD5) / Made available in DSpace on 2016-04-28T14:06:06Z (GMT). No. of bitstreams: 1
Dissertacao_HcaimMétodoDiscretização.pdf: 1165161 bytes, checksum: c41e0ba430aa7de59107de0fadd0e570 (MD5)
Previous issue date: 2016 / A discretização de dados, como uma etapa da fase de pré-processamento, tem sido
alvo de pesquisas em diversos trabalhos no contexto de classificação plana. Apesar da
importância dos métodos de discretização para a tarefa de classificação, até onde se tem
conhecimento, para problemas de classificação hierárquica, não existem na literatura
propostas de métodos de discretização supervisionados que possam ser utilizados em
conjunto com classificadores hierárquicos globais.
Desse modo, neste trabalho é proposto um método de discretização supervisionado
para o contexto de classificação hierárquica. Este método, denominado HCAIM (Hierarchical
CAIM), corresponde a uma adaptação do método de discretização CAIM proposto
para o contexto de classificação plana.
A avaliação do método proposto foi realizada utilizando-se o método de classificação
hierárquica Global Model Naive Bayes – GMNB. Os experimentos computacionais realizados
com 8 bases de dados de bioinformática mostraram que o método HCAIM, para a
maioria das bases, permitiu ao GMNB alcançar desempenho preditivo superior àqueles
alcançados quando a base de dados foi pré-processada pelos métodos não supervisionados
EqualWidth e EqualFrequency. ____________________________________________________________________________________________________________________ / ABSTRACT : The discretization of data such as a stage of pre-processing stage has been the subject
of research in various studies in the context of flat classification. Despite the importance
of discretization methods for the classification task, as far as is known, for hierarchical
classification problems, there are proposals in the literature of supervised discretization
methods that can be used in conjunction with global hierarchical classifiers.
Thus, in this paper we propose a discretization method for supervised hierarchical
classification context. This method, called HCAIM (Hierarchical CAIM), corresponding
to an adaptation of CAIM discretization method proposed for the flat classification
context.
The evaluation of the proposed method was performed using the hierarchical classification
method Global Model Naive Bayes - GMNB. Computational experiments with
8 bioinformatics databases showed that HCAIM method for most bases allowed GMNB
achieve superior predictive performance to those obtained when the database is preprocessed
by the methods Unsupervised EqualWidth and EqualFrequency.

Identiferoai:union.ndltd.org:IBICT/oai:localhost:123456789/6442
Date January 2016
CreatorsGuandaline, Valter Hugo
ContributorsGomes, David Menotti, Cerri, Ricardo, Merschmann, Luiz Henrique de Campos
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UFOP, instname:Universidade Federal de Ouro Preto, instacron:UFOP
RightsAutorização concedida ao Repositório Institucional da UFOP pelo autor, 25/04/2016, com as seguintes condições: disponível sob Licença Creative Commons 4.0, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta., info:eu-repo/semantics/openAccess

Page generated in 0.0026 seconds