Uma análise de métodos de distribuição de atributos em comitês de classificadores /

Resumo: As pesquisas em inteligência artificial têm como objetivo capacitar o computador a executar funções que são desempenhadas pelo ser humano usando conhecimento e raciocínio. O presente trabalho foi desenvolvido dentro da área de aprendizado de máquina (AM), que é um ramo de estudo da inteligên...

ver descrição completa

Na minha lista:

Detalhes bibliográficos
Principais autores:	Vale, Karliane Medeiros Ovídio., Canuto, Anne Magaly de Paula., Universidade Federal do Rio Grande do Norte.
Formato:	Dissertação
Publicado em:
Assuntos:	Inteligência artificial - Dissertação. Seleção de atributos - Aprendizado de máquina - Comitês classificadores - Artificial intelligence. Feature selection. Machine learning. Ensembles.
Endereço do item:	https://repositorio.ufrn.br/jspui/bitstream/123456789/17999/1/KarlianeMOV.pdf
Tags:	Adicionar Tag Sem tags, seja o primeiro a adicionar uma tag!

id	oai:localhost:123456789-87917
record_format	dspace
spelling	oai:localhost:123456789-879172022-11-30T12:13:59Z Uma análise de métodos de distribuição de atributos em comitês de classificadores / Vale, Karliane Medeiros Ovídio. Canuto, Anne Magaly de Paula. Universidade Federal do Rio Grande do Norte. Inteligência artificial - Dissertação. Seleção de atributos - Dissertação. Aprendizado de máquina - Dissertação. Comitês classificadores - Dissertação. Artificial intelligence. Feature selection. Machine learning. Ensembles. Resumo: As pesquisas em inteligência artificial têm como objetivo capacitar o computador a executar funções que são desempenhadas pelo ser humano usando conhecimento e raciocínio. O presente trabalho foi desenvolvido dentro da área de aprendizado de máquina (AM), que é um ramo de estudo da inteligência artificial, sendo relacionado ao projeto e desenvolvimento de algoritmos e técnicas capazes de permitir o aprendizado computacional. O objetivo deste trabalho é analisar um método de seleção de atributos em comitês de classificadores. Esse método, baseado em filtros, utilizou a variância e a correlação de Spearman para ordenar os atributos e estratégias de recompensa e punição para medir a importância de cada atributo na identificação das classes. Foram formados comitês de classificadores tanto homogêneos quanto heterogêneos, e submetidos a cinco métodos de combinação de classificadores (voto, soma, soma ponderada, MLP e naive Bayes), os quais foram aplicados a seis bases de dados distintas (reais e artificiais). Os classificadores aplicados durante os experimentos foram k-nn, MLP, naive Bayes e árvore de decisão. Por fim, foram analisados, comparativamente, o desempenho dos comitês de classificadores utilizando nenhum método de seleção de atributos, utilizando um método de seleção de atributos padrão baseado em filtro e o método proposto (RecPun). Com base em um teste estatístico, foi demonstrado que houve uma melhora significante na precisão dos comitês. #$&Abstract: The objective of the researches in artificial intelligence is to qualify the computer to execute functions that are performed by humans using knowledge and reasoning. This work was developed in the area of machine learning, that it s the study branch of artificial intelligence, being related to the project and development of algorithms and techniques capable to allow the computational learning. The objective of this work is analyzing a feature selection method for ensemble systems. The proposed method is inserted into the filter approach of feature selection method, it s using the variance and Spearman correlation to rank the feature and using the reward and punishment strategies to measure the feature importance for the identification of the classes. For each ensemble, several different configuration were used, which varied from hybrid (homogeneous) to non-hybrid (heterogeneous) structures of ensemble. They were submitted to five combining methods (voting, sum, sum weight, multiLayer Perceptron and naïve Bayes) which were applied in six distinct database (real and artificial). The classifiers applied during the experiments were k- nearest neighbor, multiLayer Perceptron, naïve Bayes and decision tree. Finally, the performance of ensemble was analyzed comparatively, using none feature selection method, using a filter approach (original) feature selection method and the proposed method. To do this comparison, a statistical test was applied, which demonstrate that there was a significant improvement in the precision of the ensembles. 1 2022-10-05T21:05:26Z 2022-10-05T21:05:26Z 2009. Dissertação 004.8 V151a DISSERT 124193 https://repositorio.ufrn.br/jspui/bitstream/123456789/17999/1/KarlianeMOV.pdf https://repositorio.ufrn.br/jspui/bitstream/123456789/17999/1/KarlianeMOV.pdf
institution	Acervo SISBI
collection	SIGAA
topic	Inteligência artificial - Dissertação. Seleção de atributos - Dissertação. Aprendizado de máquina - Dissertação. Comitês classificadores - Dissertação. Artificial intelligence. Feature selection. Machine learning. Ensembles.
spellingShingle	Inteligência artificial - Dissertação. Seleção de atributos - Dissertação. Aprendizado de máquina - Dissertação. Comitês classificadores - Dissertação. Artificial intelligence. Feature selection. Machine learning. Ensembles. Vale, Karliane Medeiros Ovídio. Canuto, Anne Magaly de Paula. Universidade Federal do Rio Grande do Norte. Uma análise de métodos de distribuição de atributos em comitês de classificadores /
description	Resumo: As pesquisas em inteligência artificial têm como objetivo capacitar o computador a executar funções que são desempenhadas pelo ser humano usando conhecimento e raciocínio. O presente trabalho foi desenvolvido dentro da área de aprendizado de máquina (AM), que é um ramo de estudo da inteligência artificial, sendo relacionado ao projeto e desenvolvimento de algoritmos e técnicas capazes de permitir o aprendizado computacional. O objetivo deste trabalho é analisar um método de seleção de atributos em comitês de classificadores. Esse método, baseado em filtros, utilizou a variância e a correlação de Spearman para ordenar os atributos e estratégias de recompensa e punição para medir a importância de cada atributo na identificação das classes. Foram formados comitês de classificadores tanto homogêneos quanto heterogêneos, e submetidos a cinco métodos de combinação de classificadores (voto, soma, soma ponderada, MLP e naive Bayes), os quais foram aplicados a seis bases de dados distintas (reais e artificiais). Os classificadores aplicados durante os experimentos foram k-nn, MLP, naive Bayes e árvore de decisão. Por fim, foram analisados, comparativamente, o desempenho dos comitês de classificadores utilizando nenhum método de seleção de atributos, utilizando um método de seleção de atributos padrão baseado em filtro e o método proposto (RecPun). Com base em um teste estatístico, foi demonstrado que houve uma melhora significante na precisão dos comitês. #$&Abstract: The objective of the researches in artificial intelligence is to qualify the computer to execute functions that are performed by humans using knowledge and reasoning. This work was developed in the area of machine learning, that it s the study branch of artificial intelligence, being related to the project and development of algorithms and techniques capable to allow the computational learning. The objective of this work is analyzing a feature selection method for ensemble systems. The proposed method is inserted into the filter approach of feature selection method, it s using the variance and Spearman correlation to rank the feature and using the reward and punishment strategies to measure the feature importance for the identification of the classes. For each ensemble, several different configuration were used, which varied from hybrid (homogeneous) to non-hybrid (heterogeneous) structures of ensemble. They were submitted to five combining methods (voting, sum, sum weight, multiLayer Perceptron and naïve Bayes) which were applied in six distinct database (real and artificial). The classifiers applied during the experiments were k- nearest neighbor, multiLayer Perceptron, naïve Bayes and decision tree. Finally, the performance of ensemble was analyzed comparatively, using none feature selection method, using a filter approach (original) feature selection method and the proposed method. To do this comparison, a statistical test was applied, which demonstrate that there was a significant improvement in the precision of the ensembles.
format	Dissertação
author	Vale, Karliane Medeiros Ovídio. Canuto, Anne Magaly de Paula. Universidade Federal do Rio Grande do Norte.
author_facet	Vale, Karliane Medeiros Ovídio. Canuto, Anne Magaly de Paula. Universidade Federal do Rio Grande do Norte.
author_sort	Vale, Karliane Medeiros Ovídio.
title	Uma análise de métodos de distribuição de atributos em comitês de classificadores /
title_short	Uma análise de métodos de distribuição de atributos em comitês de classificadores /
title_full	Uma análise de métodos de distribuição de atributos em comitês de classificadores /
title_fullStr	Uma análise de métodos de distribuição de atributos em comitês de classificadores /
title_full_unstemmed	Uma análise de métodos de distribuição de atributos em comitês de classificadores /
title_sort	uma análise de métodos de distribuição de atributos em comitês de classificadores /
publishDate	2022
url	https://repositorio.ufrn.br/jspui/bitstream/123456789/17999/1/KarlianeMOV.pdf
work_keys_str_mv	AT valekarlianemedeirosovidio umaanalisedemetodosdedistribuicaodeatributosemcomitesdeclassificadores AT canutoannemagalydepaula umaanalisedemetodosdedistribuicaodeatributosemcomitesdeclassificadores AT universidadefederaldoriograndedonorte umaanalisedemetodosdedistribuicaodeatributosemcomitesdeclassificadores
_version_	1766809683352354816

Uma análise de métodos de distribuição de atributos em comitês de classificadores /

Registros relacionados