Seleção de modelos de classificação através de heurísticas.

Detalhes bibliográficos
Ano de defesa: 2005
Autor(a) principal: SANTOS, David Moises Barreto dos.
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Campina Grande
Brasil
Centro de Engenharia Elétrica e Informática - CEEI
PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO
UFCG
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Bancos de Dados
Mineração de Dados
Processo de Mineração de Dados
Heurísticas
Databases
Data Mining
Data Mining Process
Heuristics
Ciência da Computação
Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/2903
Resumo: O processo de indução automática de modelos de classificação é composto de três etapas principais, pela ordem: amostragem, fragmentação e classificação. Devido à diversidade de técnicas que podem ser utilizadas em cada uma destas etapas, os resultados são muito instáveis — não existe a melhor técnica de amostragem, ou de fragmentação, etc. Para resolver o problema da indução do melhor modelo de classificação dentro de um espaço de busca, uma alternativa é arranjar todas as técnicas de amostragem, fragmentação e classificação disponíveis e buscar exaustivamente o melhor modelo de classificação. Entretanto, isto implicará em um alto custo computacional. Neste trabalho, descrevemos como foi possível descobrir heurísticas que podem ajudar a reduzir substancialmente o espaço de busca do melhor modelo de classificação. Também, discutimos o projeto e a implementação de um "framework" baseado nas heurísticas descobertas, objetivando guiar o minerador a escolher um modelo de classificação que satisfaça seus requisitos de qualidade, traduzidos em acurácia do modelo de classificação induzido, a um custo de processamento aceitável.
id UCB-2_7dc0c2a200cf84a8a2ea85fdacb2e93a
oai_identifier_str oai:localhost:riufcg/2903
network_acronym_str UCB-2
network_name_str Repositório Institucional da UCB
repository_id_str
spelling Seleção de modelos de classificação através de heurísticas.Selection of classification models through heuristics.Bancos de DadosMineração de DadosProcesso de Mineração de DadosHeurísticasDatabasesData MiningData Mining ProcessHeuristicsCiência da ComputaçãoO processo de indução automática de modelos de classificação é composto de três etapas principais, pela ordem: amostragem, fragmentação e classificação. Devido à diversidade de técnicas que podem ser utilizadas em cada uma destas etapas, os resultados são muito instáveis — não existe a melhor técnica de amostragem, ou de fragmentação, etc. Para resolver o problema da indução do melhor modelo de classificação dentro de um espaço de busca, uma alternativa é arranjar todas as técnicas de amostragem, fragmentação e classificação disponíveis e buscar exaustivamente o melhor modelo de classificação. Entretanto, isto implicará em um alto custo computacional. Neste trabalho, descrevemos como foi possível descobrir heurísticas que podem ajudar a reduzir substancialmente o espaço de busca do melhor modelo de classificação. Também, discutimos o projeto e a implementação de um "framework" baseado nas heurísticas descobertas, objetivando guiar o minerador a escolher um modelo de classificação que satisfaça seus requisitos de qualidade, traduzidos em acurácia do modelo de classificação induzido, a um custo de processamento aceitável.The automated induction process of classification models is composed of the following steps: sampling, splitting and classification. Due to the diversity of techniques that may be used in each one of these steps, the results are much unstable — there is not the best sampling technique or the best splitting technique and so on. In order to solve the problem of inducing the best classification model within a search space, one way may arrange all available techniques for sampling, splitting and classification to search exhaustively the best classification model. However, this will imply in a high computational cost. In this work, we describe how to discover heuristics that help to reduce this computational cost. Also, we discuss the design and implementation of a framework that was developed based on the heuristics discovered in order to guide the miner in choosing a classification model which satisfies his or her quality requirements translated in the accuracy of the classification model induced with acceptable computational cost.Universidade Federal de Campina GrandeBrasilCentro de Engenharia Elétrica e Informática - CEEIPÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃOUFCGSAMPAIO, Marcus Costa.SAMPAIO, M. C.http://lattes.cnpq.br/7407058401863661GOMES, Herman Martins.GOMES, H. M.http://lattes.cnpq.br/4223020694433271RUIZ, Duncan Dubugras Alcoba.RUIZ, Duncan D.http://lattes.cnpq.br/8250832800932125SANTOS, David Moises Barreto dos.2005-07-192019-02-22T16:46:05Z2019-02-222019-02-22T16:46:05Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/2903SANTOS, David Moises Barreto dos. Seleção de modelos de classificação através de heurísticas. 2005. 97 f. Dissertação (Mestrado em Informática)– Programa de Pós-Graduação em Informática, Centro de Ciências e Tecnologia, Universidade Federal de Campina Grande, Paraíba, Brasil, 2005. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/2903porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UCBinstname:Universidade Católica de Brasília (UCB)instacron:UCB2022-03-23T14:08:08Zoai:localhost:riufcg/2903Repositório InstitucionalPRIhttps://repositorio.ucb.br/oai/requestsara.ribeiro@ucb.bropendoar:2022-03-23T14:08:08Repositório Institucional da UCB - Universidade Católica de Brasília (UCB)false
dc.title.none.fl_str_mv Seleção de modelos de classificação através de heurísticas.
Selection of classification models through heuristics.
title Seleção de modelos de classificação através de heurísticas.
spellingShingle Seleção de modelos de classificação através de heurísticas.
SANTOS, David Moises Barreto dos.
Bancos de Dados
Mineração de Dados
Processo de Mineração de Dados
Heurísticas
Databases
Data Mining
Data Mining Process
Heuristics
Ciência da Computação
title_short Seleção de modelos de classificação através de heurísticas.
title_full Seleção de modelos de classificação através de heurísticas.
title_fullStr Seleção de modelos de classificação através de heurísticas.
title_full_unstemmed Seleção de modelos de classificação através de heurísticas.
title_sort Seleção de modelos de classificação através de heurísticas.
author SANTOS, David Moises Barreto dos.
author_facet SANTOS, David Moises Barreto dos.
author_role author
dc.contributor.none.fl_str_mv SAMPAIO, Marcus Costa.
SAMPAIO, M. C.
http://lattes.cnpq.br/7407058401863661
GOMES, Herman Martins.
GOMES, H. M.
http://lattes.cnpq.br/4223020694433271
RUIZ, Duncan Dubugras Alcoba.
RUIZ, Duncan D.
http://lattes.cnpq.br/8250832800932125
dc.contributor.author.fl_str_mv SANTOS, David Moises Barreto dos.
dc.subject.por.fl_str_mv Bancos de Dados
Mineração de Dados
Processo de Mineração de Dados
Heurísticas
Databases
Data Mining
Data Mining Process
Heuristics
Ciência da Computação
topic Bancos de Dados
Mineração de Dados
Processo de Mineração de Dados
Heurísticas
Databases
Data Mining
Data Mining Process
Heuristics
Ciência da Computação
description O processo de indução automática de modelos de classificação é composto de três etapas principais, pela ordem: amostragem, fragmentação e classificação. Devido à diversidade de técnicas que podem ser utilizadas em cada uma destas etapas, os resultados são muito instáveis — não existe a melhor técnica de amostragem, ou de fragmentação, etc. Para resolver o problema da indução do melhor modelo de classificação dentro de um espaço de busca, uma alternativa é arranjar todas as técnicas de amostragem, fragmentação e classificação disponíveis e buscar exaustivamente o melhor modelo de classificação. Entretanto, isto implicará em um alto custo computacional. Neste trabalho, descrevemos como foi possível descobrir heurísticas que podem ajudar a reduzir substancialmente o espaço de busca do melhor modelo de classificação. Também, discutimos o projeto e a implementação de um "framework" baseado nas heurísticas descobertas, objetivando guiar o minerador a escolher um modelo de classificação que satisfaça seus requisitos de qualidade, traduzidos em acurácia do modelo de classificação induzido, a um custo de processamento aceitável.
publishDate 2005
dc.date.none.fl_str_mv 2005-07-19
2019-02-22T16:46:05Z
2019-02-22
2019-02-22T16:46:05Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/2903
SANTOS, David Moises Barreto dos. Seleção de modelos de classificação através de heurísticas. 2005. 97 f. Dissertação (Mestrado em Informática)– Programa de Pós-Graduação em Informática, Centro de Ciências e Tecnologia, Universidade Federal de Campina Grande, Paraíba, Brasil, 2005. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/2903
url http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/2903
identifier_str_mv SANTOS, David Moises Barreto dos. Seleção de modelos de classificação através de heurísticas. 2005. 97 f. Dissertação (Mestrado em Informática)– Programa de Pós-Graduação em Informática, Centro de Ciências e Tecnologia, Universidade Federal de Campina Grande, Paraíba, Brasil, 2005. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/2903
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Campina Grande
Brasil
Centro de Engenharia Elétrica e Informática - CEEI
PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO
UFCG
publisher.none.fl_str_mv Universidade Federal de Campina Grande
Brasil
Centro de Engenharia Elétrica e Informática - CEEI
PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO
UFCG
dc.source.none.fl_str_mv reponame:Repositório Institucional da UCB
instname:Universidade Católica de Brasília (UCB)
instacron:UCB
instname_str Universidade Católica de Brasília (UCB)
instacron_str UCB
institution UCB
reponame_str Repositório Institucional da UCB
collection Repositório Institucional da UCB
repository.name.fl_str_mv Repositório Institucional da UCB - Universidade Católica de Brasília (UCB)
repository.mail.fl_str_mv sara.ribeiro@ucb.br
_version_ 1834013147946549248

Registros relacionados