Técnicas de classificação hierárquica multirrótulo (2010)
- Authors:
- Autor USP: CERRI, RICARDO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: APRENDIZADO COMPUTACIONAL; BIOINFORMÁTICA
- Language: Português
- Abstract: Muitos dos problemas de classificação descritos na literatura de Aprendizado de Má¡quina e Mineração de Dados dizem respeito à classificação de dados em que cada exemplo a ser classificado pertence a um conjunto finito, e geralmente pequeno, de classes que estão em um mesmo nível. Vários problemas de classificação, entretanto, são de natureza hierárquica, em que classes podem ser subclasses ou superclasses de outras classes. Em muitos problemas hierárquicos, principalmente no campo da Bioinformática, um ou mais exemplos podem ser associados a mais de uma classe simultaneamente. Esses problemas são conhecidos como problemas de classificação hierárquica multirrótulo. Nesta pesquisa, foram investigadas diferentes técnicas para lidar com esses tipos de problemas. Essas técnicas são baseadas em duas abordagens: local ou Top-Down e global ou One-Shot. Três técnicas descritas na literatura foram utilizadas. A primeira delas, chamada HMC-BR, é baseada na abordagem Top-Down, e utiliza uma estratégia de classificação binária chamada Um-Contra-Todos. As outras duas técnicas, baseadas na abordagem One-Shot, são chamadas C4.5H (uma extensão do algoritmo de induçã de àrvores de decisão C4.5), e de Clus-HMC (baseada na noção de Predictive Clustering Trees, em que àrvores de decisão são estruturadas como uma hierarquia de grupos (clusters)). Além das técnicas descritas na literatura, duas novas técnicas foram propostas e implementadas nesta pesquisa, chamadas de HMC-LP e HMC-CT. Essas técnicas são variações hierárquicas de técnicas de classificação multirrótulo não hierárquicas. A técnica HMC-LP utiliza uma estratégia de combinação de classes e a técnica HMC-CT utiliza uma estratégia de decomposição de classes. Para a avaliação das técnicas, foram utilizadas medidasespecíficas para esse tipo de classificação. Os resultados experimentais mostraram que as técnicas propostas obtiveram desempenhos superiores ou semelhantes aos das técnicas descritas na literatura, dependendo da medida de avaliação utilizada e das características dos conjuntos de dados
- Imprenta:
- Publisher place: São Carlos
- Date published: 2010
- Data da defesa: 23.02.2010
-
ABNT
CERRI, Ricardo. Técnicas de classificação hierárquica multirrótulo. 2010. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2010. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-06042010-151017/. Acesso em: 01 mar. 2026. -
APA
Cerri, R. (2010). Técnicas de classificação hierárquica multirrótulo (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-06042010-151017/ -
NLM
Cerri R. Técnicas de classificação hierárquica multirrótulo [Internet]. 2010 ;[citado 2026 mar. 01 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-06042010-151017/ -
Vancouver
Cerri R. Técnicas de classificação hierárquica multirrótulo [Internet]. 2010 ;[citado 2026 mar. 01 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-06042010-151017/ - Redes neurais e algoritmos genéticos para problemas de classificação hierárquica multirrótulo
- Ensemble methods for selecting single nucleotide polymorphisms associated to rice phenotypes
- Contribuições em Redes Neurais Artificiais e Aprendizado de Máquina para Predições com Multiplas Saídas
- Data stream mining to predict recommended actions for firewall network traffic
- Growing self-organizing maps for multi-label classification
- Comparative analysis of machine learning algorithms for identifying genetic markers linked to Alzheimer's disease
- Semi-supervised predictive clustering trees for multi-label protein subcellular localization
- Multi-label classification with label clusters
- Ensemble multi-label classification using closed frequent labelsets and label taxonomies
- Inductive models for structured output prediction of lncRNA-disease associations
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
