| Summary: | Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2016-02-03T20:29:00Z
No. of bitstreams: 1
DiegoSilveiraCostaNascimento_TESE.pdf: 3953454 bytes, checksum: 3237fa5d0296298ccc738a2ba7eab05e (MD5) === Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2016-02-03T23:54:37Z (GMT) No. of bitstreams: 1
DiegoSilveiraCostaNascimento_TESE.pdf: 3953454 bytes, checksum: 3237fa5d0296298ccc738a2ba7eab05e (MD5) === Made available in DSpace on 2016-02-03T23:54:37Z (GMT). No. of bitstreams: 1
DiegoSilveiraCostaNascimento_TESE.pdf: 3953454 bytes, checksum: 3237fa5d0296298ccc738a2ba7eab05e (MD5)
Previous issue date: 2014-12-05 === Significativos avan?os v?m surgindo em pesquisas relacionadas ao tema de Comit?s de Classificadores.
Os modelos que mais recebem aten??o na literatura s?o aqueles de natureza est?tica,
ou tamb?m conhecidos por ensembles. Dos algoritmos que fazem parte dessa classe, destacam-se
os m?todos que utilizam reamostragem dos dados de treinamento: Bagging, Boosting e Multiboosting.
A escolha do tipo de arquitetura e dos componentes a serem recrutados n?o ? uma tarefa
trivial, e tem motivado, ainda mais, o surgimento de novas propostas na tentativa de se construir
tais modelos de forma autom?tica e, muitas delas, s?o baseadas em m?todos de otimiza??o.
Muitas dessas contribui??es n?o t?m apresentado resultados satisfat?rios quando aplicadas a
problemas mais complexos ou de natureza distinta. Em contrapartida, a tese aqui apresentada
prop?e tr?s novas abordagens h?bridas para constru??o autom?tica em ensembles de classificadores:
Incremento de Diversidade, Fun??o de Avalia??o Adaptativa e Meta-aprendizado para a
elabora??o de sistemas de configura??o autom?tica dos par?metros de controle para os modelos
de ensemble. Na primeira abordagem, ? proposta uma solu??o que combina diferentes t?cnicas
de diversidade em um ?nico arcabou?o conceitual, na tentativa de se alcan?ar n?veis mais elevados
de diversidade em ensemble, e com isso, melhor o desempenho de tais sistemas. J? na
segunda abordagem, ? utilizado um algoritmo gen?tico para o design autom?tico de ensembles.
A contribui??o consiste em combinar as t?cnicas de filtro e wrapper de forma adaptativa para
evoluir uma melhor distribui??o do espa?o de atributos a serem apresentados aos componentes
de um ensemble. E por fim, a ?ltima abordagem, que prop?e uma nova t?cnica de recomenda??o
de arquitetura e componentes base em ensemble, via t?cnicas de meta-aprendizado tradicional e
multirr?tulo. De forma geral os resultados s?o animadores, e corroboram com a tese de que ferramentas
h?bridas s?o uma poderosa solu??o na constru??o de ensembles eficazes em problemas
de classifica??o de padr?es === Significant advances have emerged in research related to the topic of Classifier Committees.
The models that receive the most attention in the literature are those of the static nature, also
known as ensembles. The algorithms that are part of this class, we highlight the methods that
using techniques of resampling of the training data: Bagging, Boosting and Multiboosting. The
choice of the architecture and base components to be recruited is not a trivial task and has motivated
new proposals in an attempt to build such models automatically, and many of them are
based on optimization methods. Many of these contributions have not shown satisfactory results
when applied to more complex problems with different nature. In contrast, the thesis presented
here, proposes three new hybrid approaches for automatic construction for ensembles: Increment
of Diversity, Adaptive-fitness Function and Meta-learning for the development of systems
for automatic configuration of parameters for models of ensemble. In the first one approach, we
propose a solution that combines different diversity techniques in a single conceptual framework,
in attempt to achieve higher levels of diversity in ensembles, and with it, the better the performance
of such systems. In the second one approach, using a genetic algorithm for automatic
design of ensembles. The contribution is to combine the techniques of filter and wrapper adaptively
to evolve a better distribution of the feature space to be presented for the components of
ensemble. Finally, the last one approach, which proposes new techniques for recommendation of
architecture and based components on ensemble, by techniques of traditional meta-learning and
multi-label meta-learning. In general, the results are encouraging and corroborate with the thesis
that hybrid tools are a powerful solution in building effective ensembles for pattern classification
problems.
|
|---|
