Classicação de séries temporais utilizando diferentes representações de dados e ensembles (2017)
- Authors:
- Autor USP: GIUSTI, RAFAEL - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: APRENDIZADO COMPUTACIONAL; INTELIGÊNCIA ARTIFICIAL; ANÁLISE DE SÉRIES TEMPORAIS
- Keywords: Artificial intelligence; Machine learning; Séries temporais; Time series; Time series classification; Time series representation
- Language: Português
- Abstract: Dados temporais são ubíquos em quase todas as áreas do conhecimento humano. A área de aprendizado de máquina tem contribuído para a mineração desse tipo de dados com algoritmos para classificação, agrupamento, detecção de anomalias ou exceções e detecção de padrões recorrentes, dentre outros. Tais algoritmos dependem, muitas vezes, de uma função capaz de expressar um conceito de similaridade entre os dados. Um dos mais importantes modelos de classificação, denominado 1-NN, utiliza uma função de distância para comparar uma série temporal de interesse a um conjunto de referência, atribuindo à primeira o rótulo da série de referência mais semelhante. Entretanto, existem situações nas quais os dados temporais são insuficientes para identificar vizinhos de acordo com o conceito associado às classes. Uma possível abordagem é transportar as séries para um domínio de representação no qual atributos mais relevantes para a classificação são mais claros. Por exemplo, uma série temporal pode ser decomposta em componentes periódicas de diferentes frequências e amplitudes. Para muitas aplicações, essas componentes são muito mais significativas na discriminação das classes do que a evolução da série ao longo do tempo. Nesta Tese, emprega-se diversidade de representações e de distâncias para a classificação de séries temporais. Com base na escolha de uma representação de dados adequada para expor as características discriminativas do domínio, pode-se obter classificadores mais fiéis aoconceitoalvo. Para esse fim, promove-se um estudo de domínios de representação de dados temporais, visando identificar como esses domínios podem estabelecer espaços alternativos de decisão. Diferentes modelos do classificador 1-NN são avaliados isoladamente e associados em ensembles de classificadores a fim de se obter classificadores mais robustos. Funções de distância e domínios alternativos de representação são também utilizados neste trabalho para produzir atributos não temporais, denominados atributos de distâncias. Esses atributos refletem conceitos de vizinhança aos exemplos do conjunto de treinamento e podem ser utilizados para treinar modelos de classificação que tipicamente não são eficazes quando treinados com as observações originais. Nesta Tese mostra-se que atributos de distância permitem obter resultados compatíveis com o estado-da-arte.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2017
- Data da defesa: 23.08.2017
-
ABNT
GIUSTI, Rafael. Classicação de séries temporais utilizando diferentes representações de dados e ensembles. 2017. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2017. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-05122017-170029/. Acesso em: 18 abr. 2024. -
APA
Giusti, R. (2017). Classicação de séries temporais utilizando diferentes representações de dados e ensembles (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-05122017-170029/ -
NLM
Giusti R. Classicação de séries temporais utilizando diferentes representações de dados e ensembles [Internet]. 2017 ;[citado 2024 abr. 18 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-05122017-170029/ -
Vancouver
Giusti R. Classicação de séries temporais utilizando diferentes representações de dados e ensembles [Internet]. 2017 ;[citado 2024 abr. 18 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-05122017-170029/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
