Return to search

Abordagem de constru??o de arquitetura homog?nea para comit?s via meta-aprendizagem

Made available in DSpace on 2014-12-17T15:48:00Z (GMT). No. of bitstreams: 1
ReginaRP_DISSERT.pdf: 1401966 bytes, checksum: 6823e0f79e0b8c97c1c944a55bbfe9c4 (MD5)
Previous issue date: 2012-05-21 / In the world we are constantly performing everyday actions. Two of these actions are
frequent and of great importance: classify (sort by classes) and take decision. When we
encounter problems with a relatively high degree of complexity, we tend to seek other opinions,
usually from people who have some knowledge or even to the extent possible, are
experts in the problem domain in question in order to help us in the decision-making process.
Both the classification process as the process of decision making, we are guided by
consideration of the characteristics involved in the specific problem. The characterization
of a set of objects is part of the decision making process in general. In Machine Learning
this classification happens through a learning algorithm and the characterization is applied
to databases. The classification algorithms can be employed individually or by machine
committees. The choice of the best methods to be used in the construction of a committee
is a very arduous task. In this work, it will be investigated meta-learning techniques in selecting
the best configuration parameters of homogeneous committees for applications in
various classification problems. These parameters are: the base classifier, the architecture
and the size of this architecture. We investigated nine types of inductors candidates for
based classifier, two methods of generation of architecture and nine medium-sized groups
for architecture. Dimensionality reduction techniques have been applied to metabases looking
for improvement. Five classifiers methods are investigated as meta-learners in the
process of choosing the best parameters of a homogeneous committee. / No universo cotidiano estamos constantemente realizando a??es. Duas dessas a??es
s?o frequentes e de grande import?ncia: classificar (distribuir por classes) e tomar decis?o.
Quando nos deparamos com problemas com um grau de complexidade relativamente alto,
tendemos a buscar outras opini?es, geralmente de pessoas que tenham certo conhecimento
ou at? mesmo, na medida do poss?vel, sejam especialistas no dom?nio do problema em
quest?o, de forma que nos ajudem no processo de tomada de decis?o. Tanto no processo
de classifica??o quanto em um processo de tomada de decis?o, somos orientados pela
considera??o das caracter?sticas envolvidas no problema espec?fico. A caracteriza??o de
um conjunto de objetos faz parte do processo de tomada de decis?o em geral. Em Aprendizado
de M?quina essa classifica??o acontece atrav?s de um algoritmo de aprendizado
e a caracteriza??o ? aplicada ?s bases de dados. Os algoritmos de classifica??o podem
ser empregados individualmente ou em forma de comit?s de m?quinas. A escolha dos
melhores m?todos a serem utilizados na constru??o de um comit? ? uma tarefa bastante
?rdua. Neste trabalho, ser?o investigadas t?cnicas de meta-aprendizagem na sele??o dos
melhores par?metros de configura??o de comit?s homog?neos para aplica??es em problemas
diversos de classifica??o. Tais par?metros s?o: o classificador base, a arquitetura e o
tamanho desta arquitetura. Foram investigados nove tipos de indutores candidatos a classificador
base, dois m?todos de gera??o de arquitetura e tr?s grupos de tamanho m?dio
para arquitetura, pequeno, m?dio e grande. Ante um desempenho fraco no processo de
meta-aprendizagem foram aplicadas t?cnicas de redu??o de dimensionalidade ?s metabases
e seis novos crit?rios de tamanho m?dio da arquitetura foram estabelecidos. Cinco
m?todos classificadores s?o investigados como meta-aprendizes no processo de escolha
dos melhores par?metros de um comit? homog?neo.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/18045
Date21 May 2012
CreatorsParente, Regina Rosa
ContributorsCPF:66487099449, http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4790093J8, Campos, Andr? Mauricio Cunha, CPF:00761944700, http://lattes.cnpq.br/7154508093406987, Prud?ncio, Ricardo Bastos Cavalcante, CPF:62417703300, http://lattes.cnpq.br/2984888073123287, Canuto, Anne Magaly de Paula
PublisherUniversidade Federal do Rio Grande do Norte, Programa de P?s-Gradua??o em Sistemas e Computa??o, UFRN, BR, Ci?ncia da Computa??o
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 0.0025 seconds