Uma Análise de métodos de distriubuição de atributos em comitês de classificadores

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...

ver descrição completa

Na minha lista:
Detalhes bibliográficos
Autor principal: Vale, Karliane Medeiros Ovidio
Outros Autores: Canuto, Anne Magaly de Paula
Formato: Dissertação
Idioma:por
Publicado em: Universidade Federal do Rio Grande do Norte
Assuntos:
Comitês de Classificadores
Seleção de Atributos
Aprendizado de Máquina
Ensembles
Feature Selection
Machine Learning
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
Endereço do item:https://repositorio.ufrn.br/jspui/handle/123456789/17999
Tags: Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
id ri-123456789-17999
record_format dspace
institution Repositório Institucional
collection RI - UFRN
language por
topic Comitês de Classificadores
Seleção de Atributos
Aprendizado de Máquina
Ensembles
Feature Selection
Machine Learning
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
spellingShingle Comitês de Classificadores
Seleção de Atributos
Aprendizado de Máquina
Ensembles
Feature Selection
Machine Learning
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
Vale, Karliane Medeiros Ovidio
Uma Análise de métodos de distriubuição de atributos em comitês de classificadores
description 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
author2 Canuto, Anne Magaly de Paula
author_facet Canuto, Anne Magaly de Paula
Vale, Karliane Medeiros Ovidio
format masterThesis
author Vale, Karliane Medeiros Ovidio
author_sort Vale, Karliane Medeiros Ovidio
title Uma Análise de métodos de distriubuição de atributos em comitês de classificadores
title_short Uma Análise de métodos de distriubuição de atributos em comitês de classificadores
title_full Uma Análise de métodos de distriubuição de atributos em comitês de classificadores
title_fullStr Uma Análise de métodos de distriubuição de atributos em comitês de classificadores
title_full_unstemmed Uma Análise de métodos de distriubuição de atributos em comitês de classificadores
title_sort uma análise de métodos de distriubuição de atributos em comitês de classificadores
publisher Universidade Federal do Rio Grande do Norte
publishDate 2014
url https://repositorio.ufrn.br/jspui/handle/123456789/17999
work_keys_str_mv AT valekarlianemedeirosovidio umaanalisedemetodosdedistriubuicaodeatributosemcomitesdeclassificadores
_version_ 1773961152797081600
spelling ri-123456789-179992017-11-04T13:24:40Z Uma Análise de métodos de distriubuição de atributos em comitês de classificadores Vale, Karliane Medeiros Ovidio Canuto, Anne Magaly de Paula http://lattes.cnpq.br/7907570677010860 http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4790093J8 Carvalho, Bruno Motta de http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4791070J6 Cavalcanti, George Darmiton da Cunha http://lattes.cnpq.br/8577312109146354 Comitês de Classificadores Seleção de Atributos Aprendizado de Máquina Ensembles Feature Selection Machine Learning CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO 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 Conselho Nacional de Desenvolvimento Científico e Tecnológico 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 esempenho 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 2014-12-17T15:47:50Z 2009-12-08 2014-12-17T15:47:50Z 2009-08-07 masterThesis VALE, Karliane Medeiros Ovidio. Uma Análise de métodos de distriubuição de atributos em comitês de classificadores. 2009. 135 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal do Rio Grande do Norte, Natal, 2009. https://repositorio.ufrn.br/jspui/handle/123456789/17999 por Acesso Aberto application/pdf application/pdf Universidade Federal do Rio Grande do Norte BR UFRN Programa de Pós-Graduação em Sistemas e Computação Ciência da Computação

Registros relacionados