Uma abordagem visual para apoio ao aprendizado multi-instâncias (2015)
- Authors:
- Autor USP: QUISPE, SONIA CASTELO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- Subjects: MINERAÇÃO DE DADOS; APRENDIZADO COMPUTACIONAL; VISUALIZAÇÃO
- Keywords: Aprendizado múltipla instância; Árvore de similaridade; Classificação visual de dados; Data mining; Mineração de dados; Multiple instance learning; Similarity tree; Visual data classification
- Language: Português
- Abstract: Aprendizado múltipla instância (MIL) é um paradigma de aprendizado de máquina que tem o objetivo de classificar um conjunto (bags) de objetos (instâncias), atribuindo rótulos só para os bags. Em MIL apenas os rótulos dos bags estão disponíveis para treinamento, enquanto os rótulos das instâncias são desconhecidos. Este problema é frequentemente abordado através da seleção de uma instância para representar cada bag, transformando um problema MIL em um problema de aprendizado supervisionado padrão. No entanto, não se conhecem abordagens que apoiem o usuário na realização desse processo. Neste trabalho, propomos uma visualização baseada em árvore multi-escala chamada MILTree que ajuda os usuários na realização de tarefas relacionadas com MIL, e também dois novos métodos de seleção de instâncias, chamados MILTree-SI e MILTree-Med, para melhorar os modelos MIL. MILTree é um layout de árvore de dois níveis, sendo que o primeiro projeta os bags, e o segundo nível projeta as instâncias pertencentes a cada bag, permitindo que o usuário explore e analise os dados multi-instância de uma forma intuitiva. Já os métodos de seleção de instâncias objetivam definir uma instância protótipo para cada bag, etapa crucial para a obtenção de uma alta precisão na classificação de dados multi-instância. Ambos os métodos utilizam o layout MILTree para atualizar visualmente as instâncias protótipo, e são capazes de lidar com conjuntos de dados binários e multi-classe. Para realizar a classificação dosbags, usamos um classificador SVM (Support Vector Machine). Além disso, com o apoio do layout MILTree também pode-se atualizar os modelos de classificação, alterando o conjunto de treinamento, a fim de obter uma melhor classificação. Os resultados experimentais validam a eficácia da nossa abordagem, mostrando que a mineração visual através da MILTree pode ajudar os usuários em cenários de classificação multi-instância
- Imprenta:
- Publisher place: São Carlos
- Date published: 2015
- Data da defesa: 14.08.2015
-
ABNT
QUISPE, Sonia Castelo. Uma abordagem visual para apoio ao aprendizado multi-instâncias. 2015. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2015. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-11012016-095352/. Acesso em: 16 out. 2024. -
APA
Quispe, S. C. (2015). Uma abordagem visual para apoio ao aprendizado multi-instâncias (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-11012016-095352/ -
NLM
Quispe SC. Uma abordagem visual para apoio ao aprendizado multi-instâncias [Internet]. 2015 ;[citado 2024 out. 16 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-11012016-095352/ -
Vancouver
Quispe SC. Uma abordagem visual para apoio ao aprendizado multi-instâncias [Internet]. 2015 ;[citado 2024 out. 16 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-11012016-095352/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
