Relações entre ranking, análise ROC e calibração em aprendizado de máquina (2008)
- Authors:
- Autor USP: MATSUBARA, EDSON TAKASHI - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL; SISTEMAS HÍBRIDOS; MINERAÇÃO DE DADOS
- Language: Português
- Abstract: Aprendizado supervisionado tem sido principalmente utilizado para classificação. Neste trabalho são mostrados os benefícios do uso de rankings ao invés de classificação de exemplos isolados. Um rankeador é um algoritmo que ordena um conjunto de exemplos de tal modo que eles são apresentados do exemplo de maior para o exemplo de menor expectativa de ser positivo. Um ranking é o resultado dessa ordenação. Normalmente, um ranking é obtido pela ordenação do valor de confiança de classificação dado por um classificador. Este trabalho tem como objetivo procurar por novas abordagens para promover o uso de rankings. Desse modo, inicialmente são apresentados as diferenças e semelhanças entre ranking e classificação, bem como um novo algoritmo de ranking que os obtém diretamente sem a necessidade de obter os valores de confiança de classificação, esse algoritmo é denominado de LEXRANK. Uma área de pesquisa bastante importante em rankings é a análise ROC. O estudo de árvores de decisão e análise ROC é bastante sugestivo para o desenvolvimento de uma visualização da construção da árvore em gráficos ROC. Para mostrar passo a passo essa visualização foi desenvolvido uma sistema denominado PROGROC. Ainda do estudo de análise ROC, foi observado que a inclinação (coeficiente angular) dos segmentos que compõem o fecho convexo de curvas ROC é equivalente a razão de verossimilhança que pode ser convertida para probabilidades. Essa conversão é denominada de calibração por fecho convexode curvas ROC que coincidentemente é equivalente ao algoritmo PAV que implementa regressão isotônica. Esse método de calibração otimiza Brier Score. Ao explorar essa medida foi encontrada uma relação bastante interessante entre Brier Score e curvas ROC. Finalmente, também foram explorados os rankings construídos durante o método de seleção de exemplos do algoritmo de aprendizado semi-supervisionado multi-descrição CO-TRAINING
- Imprenta:
- Publisher place: São Carlos
- Date published: 2008
- Data da defesa: 21.10.2008
-
ABNT
MATSUBARA, Edson Takashi. Relações entre ranking, análise ROC e calibração em aprendizado de máquina. 2008. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2008. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-04032009-114050/. Acesso em: 19 abr. 2024. -
APA
Matsubara, E. T. (2008). Relações entre ranking, análise ROC e calibração em aprendizado de máquina (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-04032009-114050/ -
NLM
Matsubara ET. Relações entre ranking, análise ROC e calibração em aprendizado de máquina [Internet]. 2008 ;[citado 2024 abr. 19 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-04032009-114050/ -
Vancouver
Matsubara ET. Relações entre ranking, análise ROC e calibração em aprendizado de máquina [Internet]. 2008 ;[citado 2024 abr. 19 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-04032009-114050/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas