Return to search

Classifica??o de padr?es atrav?s de um comit? de m?quinas aprimorado por aprendizagem por refor?o

Made available in DSpace on 2014-12-17T14:56:07Z (GMT). No. of bitstreams: 1
NaiyanHCL_DISSERT.pdf: 1452285 bytes, checksum: 018fb1e8fa51e8f7094cce68a18c6c73 (MD5)
Previous issue date: 2012-08-13 / Reinforcement learning is a machine learning technique that, although finding a large
number of applications, maybe is yet to reach its full potential. One of the inadequately tested
possibilities is the use of reinforcement learning in combination with other methods for the
solution of pattern classification problems.
It is well documented in the literature the problems that support vector machine ensembles
face in terms of generalization capacity. Algorithms such as Adaboost do not deal appropriately
with the imbalances that arise in those situations. Several alternatives have been proposed,
with varying degrees of success.
This dissertation presents a new approach to building committees of support vector machines.
The presented algorithm combines Adaboost algorithm with a layer of reinforcement
learning to adjust committee parameters in order to avoid that imbalances on the committee
components affect the generalization performance of the final hypothesis. Comparisons were
made with ensembles using and not using the reinforcement learning layer, testing benchmark
data sets widely known in area of pattern classification / A aprendizagem por refor?o ? uma t?cnica de aprendizado de m?quina que, embora j? tenha
encontrado uma grande quantidade de aplica??es, talvez ainda n?o tenha alcan?ado seu
pleno potencial. Uma das possibilidades que n?o foi devidamente testada at? hoje foi a utiliza??o
da aprendizagem por refor?o em conjunto com outros m?todos para a solu??o de problemas
de classifica??o de padr?es.
? bem documentada na literatura a problem?tica que ensembles de m?quinas de vetor de
suporte encontram em termos de capacidade de generaliza??o. Algoritmos como Adaboost
n?o lidam apropriadamente com os desequil?brios que podem surgir nessas situa??es. V?rias
alternativas j? foram propostas, com margens variadas de sucesso.
Esta disserta??o apresenta uma nova abordagem para a constru??o de comit?s de m?quinas
de vetor de suporte. O algoritmo apresentado combina o algoritmo Adaboost com uma
camada de aprendizagem por refor?o, para ajustar par?metros do comit? evitando que desequil?brios
nos classificadores componentes do comit? prejudiquem o desempenho de generaliza??o
da hip?tese final. Foram efetuadas compara??es de comit?s com e sem essa camada
adicional de aprendizagem por refor?o, testando conjuntos de dados benchmarks amplamente
conhecidos na ?rea de classifica??o de padr?es

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/15449
Date13 August 2012
CreatorsLima, Naiyan Hari C?ndido
ContributorsCPF:09463097449, http://lattes.cnpq.br/7325007451912598, D?ria Neto, Adri?o Duarte, CPF:10749896434, http://lattes.cnpq.br/1987295209521433, Martins, Allan de Medeiros, CPF:01979076448, http://lattes.cnpq.br/4402694969508077, Lima J?nior, Francisco Chagas de, CPF:75046105420, Melo, Jorge Dantas de
PublisherUniversidade Federal do Rio Grande do Norte, Programa de P?s-Gradua??o em Engenharia El?trica, UFRN, BR, Automa??o e Sistemas; Engenharia de Computa??o; Telecomunica??es
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.002 seconds