Please use this identifier to cite or link to this item: https://repositorio.ufersa.edu.br/handle/tede/812
Full metadata record
DC FieldValueLanguage
dc.creatorSilva, Wilamis Kleiton Nunes da-
dc.contributor.advisor1Santos, Araken de Medeiros-
dc.contributor.referee1Araújo, Daniel Sabino Amorim de-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4744754780165354por
dc.contributor.referee2Canuto, Anne Magaly de Paula-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1357887401899097por
dc.date.accessioned2017-10-27T13:09:10Z-
dc.date.issued2017-08-18-
dc.identifier.citationSILVA, Wilamis Kleiton Nunes da. Construções de comitês de classificadores multirrótulos no aprendizado semissupervisionado multidescrição. 2017. 108 f. Dissertação (Mestrado) - Curso de em Ciência da Computação, Universidade Federal Rural do Semi-Árido, Mossoró, 2017.por
dc.identifier.urihttps://repositorio.ufersa.edu.br/handle/tede/812-
dc.description.resumoSão cada vez mais comum problemas multirrótulos onde um rótulo pode ser atribuído a mais de uma instância, sendo chamados de problemas de classificação multirrótulo. Dentre os diferentes métodos de classificação multirrótulo, podemos citar os métodos BR (Binary Relevance), LP (Label Powerset) e RAkEL (RAndom k-labELsets). Tais métodos são ditos métodos de transformação do problema, pois consistem em transformar o problema multirrótulo em vários problemas de classificação tradicional (monorrótulo).A adoção de comitês de classificadores em problemas de classificação multirrótulo ainda é algo muito recente, com muito a ser explorado para a realização de pesquisas. O objetivo deste trabalho é realizar um estudo sobre a construção de comitês de classificadores multirrótulos construídos através da aplicação das técnicas de aprendizado semissupervisionado multidescrição, a fim de verificar se aplicação desse tipo de aprendizado na construção de comitês acarreta melhorias nos resultados. Os comitês de classificadores utilizados nos experimentos foram o Bagging, Boosting e Stacking como métodos de transformação do problemas foram utilizados os métodos BR, LP e Rakel e para a classificação multirrótulo semissupervisionada multidescrição foi utilizado o Co-Training. Ao fim das análises experimentais verificou-se que a utilização da abordagem semissupervisionado apresentou resultados satisfatórios, uma vez que as duas abordagens supervisionada e semissupervisionada utilizadas no trabalho apresentaram resultados semelhantespor
dc.description.abstractMulti-label problems have become increasingly common, for a label can be attributed to more than one instance, being called multi-label classification problems. Among the di_erent multilabel classification methods we can mention: BR (Binary Relevance), LP (Label Powerset) And RAkEL (RAndom k labELsets). Such methods have been recognized as methods for transforming the Problem, since they consist of turning the multi-label problem into several problems of traditional classification (mono label). However, the adoption of Classificatory committees in multi-label classification problems has still been new-found so far, With a great field to be explored for conducting researches as well. This work aims of doing a study on the construction of multilabel classifiers committees Built through the application of multi- description semisupervised learning techniques, in order to verify if application of this type of learning in the construction of committees results in improvements linked to the results. The committees of classifiers used in the experiments were Bagging, Boosting and Stacking as methods of transformation of the problems used were the BR, LP and Rakel methods and for classification multi-label multi-label semi-supervised multi-description was used Co-Training. At the end of the experimental analyzes, it was verified that the use of the semi-supervised approach presented satisfactory results, since the two approaches presented similar resultspor
dc.formatapplication/pdf*
dc.thumbnail.urlhttp://repositorio.ufersa.edu.br/retrieve/2178/WilamisKNS_DISSERT.pdf.jpg*
dc.languageporpor
dc.publisherUniversidade Federal Rural do Semi-Áridopor
dc.publisher.countryBrasilpor
dc.publisher.initialsUFERSApor
dc.publisher.programPrograma de Pós-graduação em Ciência da Computaçãopor
dc.rightsAcesso Abertopor
dc.subjectAprendizado de máquinapor
dc.subjectAprendizado semissupervisionado multidescriçãopor
dc.subjectClassificação multirrótulopor
dc.subjectComitês de classificadorespor
dc.subjectMachine learningpor
dc.subjectMulti-description semi supervised learningpor
dc.subjectMulti-label classificationpor
dc.subjectClassification committeespor
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpor
dc.titleConstruções de comitês de classificadores multirrótulos no aprendizado semissupervisionado multidescriçãopor
dc.typeDissertaçãopor
dc.contributor.authorID89269829391por
dc.contributor.authorLatteshttp://lattes.cnpq.br/1996011935348421por
dc.description.embargo2017-09-19-
dc.contributor.advisorLatteshttp://lattes.cnpq.br/8059198436766378por
dc.rights.licenseCC-BY-SApt_BR
Appears in Collections:Mestrado em Ciência da Computação

Files in This Item:
File Description SizeFormat 
WilamisKNS_DISSERT.pdf2.89 MBAdobe PDFThumbnail
View/Open


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