[pt] Considere uma rede com k nodos que pode apresentar falhas ao longo de
sua operação. Além disso, assuma que é inviável verificar todos os nodos
sempre que uma falha ocorre. Motivados por este cenário, propomos
um método que usa aprendizado de máquina supervisionado para gerar
rankings dos nodos mais prováveis por serem responsáveis pela falha. O
método proposto é um metaclassificador que pode utilizar qualquer tipo de
classificador internamente, onde o modelo gerado pelo metaclassificador é
uma composição daqueles gerados pelos classificadores internos. Cada modelo
interno é treinado com um subconjunto dos dados. Estes subconjuntos
são criados sucessivamente a partir dos dados originais eliminando-se algumas
instâncias. As instâncias eliminadas são aquelas cujas classes já foram
colocadas no ranking. Métricas derivadas da Acurácia, Precision e Recall
foram propostas e usadas para avaliar este método. Utilizando uma base de
domínio público, verificamos que os tempos de treinamento e classificação
do metaclassificador são maiores que os de um classificador simples. Entretanto
ele atinge resultados melhores em alguns casos, como ocorre com as
árvores de decisão, que superam a acurácia do benchmark por uma margem
maior que 5 por cento. / [en] Consider a network with k nodes that may fail along its operation. Furthermore
assume that it is impossible to check all nodes whenever a failure
occurs. Motivated by this scenario, we propose a method that uses supervised
learning to generate rankings of the most likely nodes responsible for
the failure. The proposed method is a meta-classifier that is able to use any
kind of classifier internally, where the model generated by the meta-classifier
is a composition of those generated by the internal classifiers. Each internal
model is trained with a subset of the data created from the elimination of
instances whose classes were already put in the ranking. Metrics derived
from Accuracy, Precision and Recall were proposed and used to evaluate
this method. Using a public data set, we verified that the training and classification
times of the meta-classifier were greater than those of a simple
classifier. However it reaches better results in some cases, as with the decision
trees, that exceeds the benchmark accuracy for a margin greater than
5 percent.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:27696 |
| Date | 19 October 2016 |
| Creators | DANIEL DA ROSA MARQUES |
| Contributors | EDUARDO SANY LABER |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0018 seconds