Use este identificador para citar ou linkar para este item: https://repositorio.ufrn.br/jspui/handle/123456789/22684
Título: Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação
Autor(es): Feitosa Neto, Antonino Alves
Palavras-chave: Computação;Comitês de classificadores;Otimização meta-heurística;Medidas de boa e má diversidade;Algoritmo
Data do documento: 9-Dez-2016
Citação: FEITOSA NETO, Antonino Alves. Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação. 2016. 196f. Tese (Doutorado em Ciência da Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2016.
Resumo: This work deals with the construction of classification committees using traditional and hybrid meta-heuristics of optimization techniques. The problem of pattenr classification is treated as an optimization problem, trying to find the subset of attributes and classifiers of the problem that minimizes the classification error of the committee. Committees are generated by combining the techniques of k-NN, Decision Tree and Naive Bayes using the majority vote. The attributes of the base classifiers are modified by the metaheuristics of genetic algorithms, memetic algorithms, PSO, ACO, Multi Start, GRASP, Simulated Annealing, Tabu Search, ILS and VNS. We also apply algorithms from AMHM and MAGMA hybrid metaheuristics architectures. Algorithms of these metaheuristics are developed in mono and multi-objective versions. Experiments are performed in different mono and multiobjective scenarios optimizing classification error and measures of good and bad diversity. The goal is to verify that adding diversity measures as optimization goals results in more accurate committees. Thus, the contribution of this work is to determine if the measures of good and bad diversity can be used in mono and multiobjective optimization techniques as objectives of optimization for the construction of committees of classifiers more accurate than those constructed by the same process, but using only the accuracy classification as an optimization objective. We have verified that the developed metaheuristics present better results than the classic generation techniques of committees, ie, Bagging, Boosting and Random Selection. We also verified that in the majority of metaheuristics the use of diversity measures as optimization objectives does not help to generate more accurate committees than when only the classification error, obtaining in the best scenarios non statistically different results.
metadata.dc.description.resumo: Este trabalho aborda a construção de comitês de classificação através técnicas metaheurísticas de otimização tradicionais de híbridas. O problema de classificação de padrões é tratado como um problema de otimização procurando encontrar o subconjunto de atributos e classificadores do problema que minimize o erro de classificação do comitê. Os comitês são gerados a partir da combinação das técnicas de k-NN, Árvore de Decisão e Naive Bayes utilizando o voto majoritário. Os atributos dos classificadores base são modificados pelas metaheurísticas de algoritmos genéticos, algoritmos meméticos, PSO, ACO, Múltiplos Reinícios, GRASP, Simulated Annealing, Busca Tabu, ILS e VNS. Também são aplicados algoritmos provenientes da arquiteturas de metaheurísticas híbridas AMHM e MAGMA. São desenvolvidos algoritmos dessas metaheurísticas nas versões mono e multi-objetivo. São realizados experimentos em diferentes cenários mono e multiobjetivo otimizando o erro de classificação e as medidas de boa e má diversidade. O objetivo é verificar se adicionar as medidas de diversidade como objetivos de otimização resulta em comitês mais acurados. Assim, a contribuição desse trabalho é determinar se as medidas de boa e má diversidade podem ser utilizadas em técnicas de otimização mono e multiobjetivo como objetivos de otimização para construção de comitês de classificadores mais acurados que aqueles construídos pelo mesmo processo, porém utilizando somente a acurácia de classificação como objetivo de otimização. Verificamos que as metaheurísticas desenvolvidas apresentam melhores resultados que as técnicas clássicas de geração de comitês, isto é, Bagging, Boosting e Seleção Randômica. Verificamos também que na maioria das metaheurísticas o uso das medidas de diversidade como objetivos de otimização não auxilia na geração de comitês mais acurados que quando utilizado somente o erro de classificação como objetivo de otimização obtendo nos melhores cenários resultados não estatisticamente diferentes.
URI: https://repositorio.ufrn.br/jspui/handle/123456789/22684
Aparece nas coleções:PPGSC - Doutorado em Sistemas e Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
AntoninoAlvesFeitosaNeto_TESE.pdf1,45 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.