Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/jspui/handle/123456789/17963
Title: Utilizando Pesos estáticos e dinâmicos em sistemas multi-classificadores com diferentes níveis de diversidade
Authors: Paradeda, Raul Benites
Keywords: Aprendizado de máquina;Sistemas de multi-classificação;Ensembles;Métodos de combinação;Pesos;Machine learning;Multi-classifier systems;Ensembles;Combination methods;Weights
Issue Date: 27-Jul-2007
Publisher: Universidade Federal do Rio Grande do Norte
Citation: PARADEDA, Raul Benites. Utilizando Pesos estáticos e dinâmicos em sistemas multi-classificadores com diferentes níveis de diversidade. 2007. 183 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal do Rio Grande do Norte, Natal, 2007.
Portuguese Abstract: Apesar de algumas técnicas individuais de Aprendizado de Máquina (AM) supervisionado, tambémconhecidos como classificadores, ou algoritmos de classificação, fornecerem soluções que, na maioria das vezes, são consideradas eficientes, há resultados experimentais obtidos com a utilização de grandes conjuntos de padrões e/ou que apresentam uma quantidade expressiva de dados incompletos ou características irrelevantes, que mostram uma queda na eficácia da precisão dessas técnicas. Ou seja, tais técnicas não conseguem realizar um reconhecimento de padrões de uma forma eficiente em problemas complexos. Com o intuito de obter um melhor desempenho e eficácia dessas técnicas de AM, pensouse na idéia de fazer com que vários tipos de algoritmos de AM consigam trabalhar conjuntamente, dando assim origem ao termo Sistema Multi-Classificador (SMC). Os SMC s apresentam, como componentes, diferentes algoritmos de AM, chamados de classificadores base, e realizam uma combinação dos resultados obtidos por estes algoritmos para atingir o resultado final. Para que o SMC tenha um desempenho melhor que os classificadores base, os resultados obtidos por cada classificador base devem apresentar uma determinada diversidade, ou seja, uma diferença entre os resultados obtidos por cada classificador que compõem o sistema. Pode-se dizer que não faz sentido ter SMC s cujos classificadores base possuam respostas idênticas aos padrões apresentados. Apesar dos SMC s apresentarem melhores resultados que os sistemas executados individualmente, há sempre a busca para melhorar os resultados obtidos por esse tipo de sistema. Visando essa melhora e uma maior consistência nos resultados, assim como uma maior diversidade dos classificadores de um SMC, vêm sendo recentemente pesquisadas metodologias que apresentam como características o uso de pesos, ou valores de con- fiança. Esses pesos podem descrever a importância que um determinado classificador forneceu ao associar cada padrão a uma determinada classe. Esses pesos ainda são utilizados, em conjunto com as saídas dos classificadores, durante o processo de reconhecimento (uso) dos SMC s. Existem diferentes maneiras de se calcular esses pesos e podem ser divididas em duas categorias: os pesos estáticos e os pesos dinâmicos. A primeira categoria de pesos se caracteriza por não haver a modificação de seus valores no decorrer do processo de classificação, ao contrário do que ocorre com a segunda categoria, onde os valores sofrem modificações no decorrer do processo de classificação. Neste trabalho será feito uma análise para verificar se o uso dos pesos, tanto estáticos quanto dinâmicos, conseguem aumentar o desempenho dos SMC s em comparação com estes sistemas executados individualmente. Além disso, será feita uma análise na diversidade obtida pelos SMC s, para dessa forma verificar se há alguma relação entre o uso dos pesos nos SMC s com diferentes níveis de diversidade
Abstract: Although some individual techniques of supervised Machine Learning (ML), also known as classifiers, or algorithms of classification, to supply solutions that, most of the time, are considered efficient, have experimental results gotten with the use of large sets of pattern and/or that they have a expressive amount of irrelevant data or incomplete characteristic, that show a decrease in the efficiency of the precision of these techniques. In other words, such techniques can t do an recognition of patterns of an efficient form in complex problems. With the intention to get better performance and efficiency of these ML techniques, were thought about the idea to using some types of LM algorithms work jointly, thus origin to the term Multi-Classifier System (MCS). The MCS s presents, as component, different of LM algorithms, called of base classifiers, and realized a combination of results gotten for these algorithms to reach the final result. So that the MCS has a better performance that the base classifiers, the results gotten for each base classifier must present an certain diversity, in other words, a difference between the results gotten for each classifier that compose the system. It can be said that it does not make signification to have MCS s whose base classifiers have identical answers to the sames patterns. Although the MCS s present better results that the individually systems, has always the search to improve the results gotten for this type of system. Aim at this improvement and a better consistency in the results, as well as a larger diversity of the classifiers of a MCS, comes being recently searched methodologies that present as characteristic the use of weights, or confidence values. These weights can describe the importance that certain classifier supplied when associating with each pattern to a determined class. These weights still are used, in associate with the exits of the classifiers, during the process of recognition (use) of the MCS s. Exist different ways of calculating these weights and can be divided in two categories: the static weights and the dynamic weights. The first category of weights is characterizes for not having the modification of its values during the classification process, different it occurs with the second category, where the values suffers modifications during the classification process. In this work an analysis will be made to verify if the use of the weights, statics as much as dynamics, they can increase the perfomance of the MCS s in comparison with the individually systems. Moreover, will be made an analysis in the diversity gotten for the MCS s, for this mode verify if it has some relation between the use of the weights in the MCS s with different levels of diversity
URI: https://repositorio.ufrn.br/jspui/handle/123456789/17963
Appears in Collections:PPGSC - Mestrado em Sistemas e Computação

Files in This Item:
File Description SizeFormat 
RaulBP.pdf1,77 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.