Abordagens para combinar classificadores e agrupadores em problemas de classificação (2015)
- Authors:
- Autor USP: COLETTA, LUIZ FERNANDO SOMMAGGIO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: COMPUTAÇÃO EVOLUTIVA; MINERAÇÃO DE DADOS; APRENDIZADO COMPUTACIONAL
- Keywords: Active learning; Algoritmos evolutivos; Aprendizado ativo; Aprendizado semissupervisionado; Autotreinamento; Combinação de classificadores e agrupadores; Combining classifiers and clusterers; Evolutionary algorithms; Self-training; Semi-supervised learning
- Language: Português
- Abstract: Modelos para aprendizado não supervisionado podem fornecer restrições complementares úteis para melhorar a capacidade de generalização de classificadores. Baseando-se nessa premissa, um algoritmo existente, denominado de 'C POT. 3'E (Consensus between Classification and Clustering Ensembles), recebe como entradas estimativas de distribuições de probabilidades de classes para objetos de um conjunto alvo, bem como uma matriz de similaridades entre esses objetos. Tal matriz é tipicamente construída por agregadores de agrupadores de dados, enquanto que as distribuições de probabilidades de classes são obtidas por um agregador de classificadores induzidos por um conjunto de treinamento. Como resultado, o 'C POT. 3'E fornece estimativas refinadas das distribuições de probabilidades de classes como uma forma de consenso entre classificadores e agrupadores. A ideia subjacente é de que objetos similares são mais propensos a compartilharem o mesmo rótulo de classe. Nesta tese, uma versão mais simples do algoritmo 'C POT. 3'E, baseada em uma função de perda quadrática ('C POT. 3'E-SL), foi investigada em uma abordagem que permitiu a estimação automática (a partir dos dados) de seus parâmetros críticos. Tal abordagem faz uso de um nova estratégia evolutiva concebida especialmente para tornar o 'C POT. 3'E-SL mais prático e flexível, abrindo caminho para que variantes do algoritmo pudessem ser desenvolvidas. Em particular, para lidar com a escassez de dados rotulados, um novo algoritmo que realiza aprendizadosemissupervisionado foi proposto. Seu mecanismo explora estruturas intrínsecas dos dados a partir do 'C POT. 3'E-SL em um procedimento de autotreinamento (self-training). Esta noção também inspirou a concepção de um outro algoritmo baseado em aprendizado ativo (active learning), o qual é capaz de se autoadaptar para aprender novas classes que possam surgir durante a predição de novos dados. Uma extensa análise experimental, focada em problemas do mundo real, mostrou que os algoritmos propostos são bastante úteis e promissores. A combinação de classificadores e agrupadores resultou em modelos de classificação com grande potencial prático e que são menos dependentes do usuário ou do especialista de domínio. Os resultados alcançados foram tipicamente melhores em comparação com os obtidos por classificadores tradicionalmente usados
- Imprenta:
- Publisher place: São Carlos
- Date published: 2015
- Data da defesa: 23.11.2015
-
ABNT
COLETTA, Luiz Fernando Sommaggio. Abordagens para combinar classificadores e agrupadores em problemas de classificação. 2015. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2015. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-24032016-102229/. Acesso em: 20 abr. 2024. -
APA
Coletta, L. F. S. (2015). Abordagens para combinar classificadores e agrupadores em problemas de classificação (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-24032016-102229/ -
NLM
Coletta LFS. Abordagens para combinar classificadores e agrupadores em problemas de classificação [Internet]. 2015 ;[citado 2024 abr. 20 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-24032016-102229/ -
Vancouver
Coletta LFS. Abordagens para combinar classificadores e agrupadores em problemas de classificação [Internet]. 2015 ;[citado 2024 abr. 20 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-24032016-102229/ - Agrupamento de dados fuzzy colaborativo
- Towards the use of metaheuristics for optimizing the combination of classifier and cluster ensembles
- Using metaheuristics to optimize the combination of classifier and cluster ensembles
- A differential evolution algorithm to optimise the combination of classifier and cluster ensembles
- Combining classification and clustering for tweet sentiment analysis
- A survey and comparative study of tweet sentiment analysis via semi-supervised learning
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
