Agregação de classificadores e agrupadores: uma abordagem para aprendizado semi-supervisionado e para transferência de conhecimento (2012)
- Autor:
- Autor USP: HRUSCHKA, EDUARDO RAUL - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: COMPUTAÇÃO EVOLUTIVA; ALGORITMOS E ESTRUTURAS DE DADOS; APRENDIZADO COMPUTACIONAL; MINERAÇÃO DE DADOS
- Language: Português
- Abstract: Modelos para aprendizado não supervisionado podem fornecer restrições flexíveis que auxiliem na classificação de dados. Neste contexto, assume-se que objetos semelhantes do conjunto-alvo (formado pelos dados novos, cujas classes são desconhecidas) provavelmente compartilham do mesmo rótulo de classe. Esta tese descreve uma abordagem em um algoritmo de otimização que recebe como entradas estimativas de distribuições de probabilidades de classes para os objetos do conjunto-alvo, bem como uma matriz de similaridades entre os pares de objetos do conjunto-alvo. Tais estimativas são obtidas a partir de um agregador de classificadores previamente treinados no conjunto de treinamento. A matriz de similaridades pode ser obtida de diversas formas, dentre as quais destaca-se a abordagem baseada em agregadores de agrupadores de dados. A partir dessas entradas, o algoritmo de otimização fornece estimativas refinadas das distribuições de probabilidades de classes, consequentemente permitindo obter uma classificação de consenso dos dados do conjunto-alvo. O algoritmo empregado admite o uso de uma grande variedade de funções de perda, bem como de diversos métodos para classificação e agrupamento de dados, desta forma pemitindo grande flexibilidade em aplicações práticas de mineração de dados. Esta tese fundamentalmente aborda suas aplicações em aprendizado semi-supervisionado e em transferência de conhecimento. Diversos experimentos mostram que tal abordagem pode fornecer resultados melhores do que aqueles obtidos por algumas técnicas clássicas de aprendizado - i.e., aplicar classificadores induzidos exclusivamente a partir do conjunto de treinamento ou utilizar transdutivo. Perspectivas concretas de trabalhos futuros também são discutidas
- Imprenta:
- Publisher place: São Carlos
- Date published: 2012
- Data da defesa: 09.10.2012
-
ABNT
HRUSCHKA, Eduardo Raul. Agregação de classificadores e agrupadores: uma abordagem para aprendizado semi-supervisionado e para transferência de conhecimento. 2012. Tese (Livre Docência) – Universidade de São Paulo, São Carlos, 2012. . Acesso em: 23 abr. 2024. -
APA
Hruschka, E. R. (2012). Agregação de classificadores e agrupadores: uma abordagem para aprendizado semi-supervisionado e para transferência de conhecimento (Tese (Livre Docência). Universidade de São Paulo, São Carlos. -
NLM
Hruschka ER. Agregação de classificadores e agrupadores: uma abordagem para aprendizado semi-supervisionado e para transferência de conhecimento. 2012 ;[citado 2024 abr. 23 ] -
Vancouver
Hruschka ER. Agregação de classificadores e agrupadores: uma abordagem para aprendizado semi-supervisionado e para transferência de conhecimento. 2012 ;[citado 2024 abr. 23 ] - An experimental study on the use of nearest neighbor-based imputation algorithms for classification tasks
- Unsupervised learning of Gaussian mixture models: evolutionary create and eliminate for expectation maximization algorithm
- Transfer learning with cluster ensembles
- An Experimental Study on Unsupervised Clustering-Based Feature Selection Methods
- On the influence of imputation in classification: practical issues
- Towards improving cluster-based feature selection with a simplified silhouette filter
- Document clustering for forensic computing: an approach for improving computer inspection
- Document clustering for forensic analysis: an approach for improving computer inspection
- Evolving Gaussian mixture models with splitting and merging mutation operators
- An optimization framework for combining ensembles of classifiers and clusterers with applications to nontransductive semisupervised learning and transfer learning
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
