Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação

This work deals with the construction of classification committees using traditional and hybrid meta-heuristics of optimization techniques. The problem of pattenr classification is treated as an optimization problem, trying to find the subset of attributes and classifiers of the problem that mini...

ver descrição completa

Na minha lista:
Detalhes bibliográficos
Autor principal: Feitosa Neto, Antonino Alves
Outros Autores: Canuto, Anne Magaly de Paula
Formato: doctoralThesis
Idioma:por
Publicado em: Brasil
Assuntos:
Computação
Comitês de classificadores
Otimização meta-heurística
Medidas de boa e má diversidade
Algoritmo
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
Endereço do item:https://repositorio.ufrn.br/jspui/handle/123456789/22684
Tags: Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
id ri-123456789-22684
record_format dspace
institution Repositório Institucional
collection RI - UFRN
language por
topic Computação
Comitês de classificadores
Otimização meta-heurística
Medidas de boa e má diversidade
Algoritmo
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
spellingShingle Computação
Comitês de classificadores
Otimização meta-heurística
Medidas de boa e má diversidade
Algoritmo
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
Feitosa Neto, Antonino Alves
Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação
description This work deals with the construction of classification committees using traditional and hybrid meta-heuristics of optimization techniques. The problem of pattenr classification is treated as an optimization problem, trying to find the subset of attributes and classifiers of the problem that minimizes the classification error of the committee. Committees are generated by combining the techniques of k-NN, Decision Tree and Naive Bayes using the majority vote. The attributes of the base classifiers are modified by the metaheuristics of genetic algorithms, memetic algorithms, PSO, ACO, Multi Start, GRASP, Simulated Annealing, Tabu Search, ILS and VNS. We also apply algorithms from AMHM and MAGMA hybrid metaheuristics architectures. Algorithms of these metaheuristics are developed in mono and multi-objective versions. Experiments are performed in different mono and multiobjective scenarios optimizing classification error and measures of good and bad diversity. The goal is to verify that adding diversity measures as optimization goals results in more accurate committees. Thus, the contribution of this work is to determine if the measures of good and bad diversity can be used in mono and multiobjective optimization techniques as objectives of optimization for the construction of committees of classifiers more accurate than those constructed by the same process, but using only the accuracy classification as an optimization objective. We have verified that the developed metaheuristics present better results than the classic generation techniques of committees, ie, Bagging, Boosting and Random Selection. We also verified that in the majority of metaheuristics the use of diversity measures as optimization objectives does not help to generate more accurate committees than when only the classification error, obtaining in the best scenarios non statistically different results.
author2 Canuto, Anne Magaly de Paula
author_facet Canuto, Anne Magaly de Paula
Feitosa Neto, Antonino Alves
format doctoralThesis
author Feitosa Neto, Antonino Alves
author_sort Feitosa Neto, Antonino Alves
title Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação
title_short Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação
title_full Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação
title_fullStr Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação
title_full_unstemmed Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação
title_sort meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação
publisher Brasil
publishDate 2017
url https://repositorio.ufrn.br/jspui/handle/123456789/22684
work_keys_str_mv AT feitosanetoantoninoalves metaheuristicasdeotimizacaotradicionaisehibridasutilizadasparaconstrucaodecomitesdeclassificacao
_version_ 1773958559476744192
spelling ri-123456789-226842017-11-03T06:10:54Z Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação Feitosa Neto, Antonino Alves Canuto, Anne Magaly de Paula http://lattes.cnpq.br/1448721761549265 http://lattes.cnpq.br/1357887401899097 Carvalho, André Carlos Ponce de Leon Ferreira de http://lattes.cnpq.br/9674541381385819 Araújo, Daniel Sabino Amorim de http://lattes.cnpq.br/4744754780165354 Gouvea, Elizabeth Ferreira http://lattes.cnpq.br/2888641121265608 Santos, Eulanda Miranda dos http://lattes.cnpq.br/3054990742969890 Computação Comitês de classificadores Otimização meta-heurística Medidas de boa e má diversidade Algoritmo CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO This work deals with the construction of classification committees using traditional and hybrid meta-heuristics of optimization techniques. The problem of pattenr classification is treated as an optimization problem, trying to find the subset of attributes and classifiers of the problem that minimizes the classification error of the committee. Committees are generated by combining the techniques of k-NN, Decision Tree and Naive Bayes using the majority vote. The attributes of the base classifiers are modified by the metaheuristics of genetic algorithms, memetic algorithms, PSO, ACO, Multi Start, GRASP, Simulated Annealing, Tabu Search, ILS and VNS. We also apply algorithms from AMHM and MAGMA hybrid metaheuristics architectures. Algorithms of these metaheuristics are developed in mono and multi-objective versions. Experiments are performed in different mono and multiobjective scenarios optimizing classification error and measures of good and bad diversity. The goal is to verify that adding diversity measures as optimization goals results in more accurate committees. Thus, the contribution of this work is to determine if the measures of good and bad diversity can be used in mono and multiobjective optimization techniques as objectives of optimization for the construction of committees of classifiers more accurate than those constructed by the same process, but using only the accuracy classification as an optimization objective. We have verified that the developed metaheuristics present better results than the classic generation techniques of committees, ie, Bagging, Boosting and Random Selection. We also verified that in the majority of metaheuristics the use of diversity measures as optimization objectives does not help to generate more accurate committees than when only the classification error, obtaining in the best scenarios non statistically different results. Este trabalho aborda a construção de comitês de classificação através técnicas metaheurísticas de otimização tradicionais de híbridas. O problema de classificação de padrões é tratado como um problema de otimização procurando encontrar o subconjunto de atributos e classificadores do problema que minimize o erro de classificação do comitê. Os comitês são gerados a partir da combinação das técnicas de k-NN, Árvore de Decisão e Naive Bayes utilizando o voto majoritário. Os atributos dos classificadores base são modificados pelas metaheurísticas de algoritmos genéticos, algoritmos meméticos, PSO, ACO, Múltiplos Reinícios, GRASP, Simulated Annealing, Busca Tabu, ILS e VNS. Também são aplicados algoritmos provenientes da arquiteturas de metaheurísticas híbridas AMHM e MAGMA. São desenvolvidos algoritmos dessas metaheurísticas nas versões mono e multi-objetivo. São realizados experimentos em diferentes cenários mono e multiobjetivo otimizando o erro de classificação e as medidas de boa e má diversidade. O objetivo é verificar se adicionar as medidas de diversidade como objetivos de otimização resulta em comitês mais acurados. Assim, a contribuição desse trabalho é determinar se as medidas de boa e má diversidade podem ser utilizadas em técnicas de otimização mono e multiobjetivo como objetivos de otimização para construção de comitês de classificadores mais acurados que aqueles construídos pelo mesmo processo, porém utilizando somente a acurácia de classificação como objetivo de otimização. Verificamos que as metaheurísticas desenvolvidas apresentam melhores resultados que as técnicas clássicas de geração de comitês, isto é, Bagging, Boosting e Seleção Randômica. Verificamos também que na maioria das metaheurísticas o uso das medidas de diversidade como objetivos de otimização não auxilia na geração de comitês mais acurados que quando utilizado somente o erro de classificação como objetivo de otimização obtendo nos melhores cenários resultados não estatisticamente diferentes. 2017-04-18T22:17:06Z 2017-04-18T22:17:06Z 2016-12-09 doctoralThesis FEITOSA NETO, Antonino Alves. Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação. 2016. 196f. Tese (Doutorado em Ciência da Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2016. https://repositorio.ufrn.br/jspui/handle/123456789/22684 por Acesso Aberto application/pdf Brasil UFRN PROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO

Registros relacionados