Feature selection for characterization of continuous optimization functions

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Silva, Guilherme Ribeiro Da [UNIFESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
dARK ID: ark:/48912/001300002sb28
Idioma: eng
Instituição de defesa: Universidade Federal de São Paulo (UNIFESP)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Feature Selection
Continuous Optimization
Dimensionality Reduction
Black Box Optimization Benchmark
Seleção De Atributos
Otimização Contínua
Redução Da Dimensionalidade
Otimização Caixa Preta
Link de acesso: https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=7928399
https://repositorio.unifesp.br/handle/11600/59868
Resumo: The field of automatic algorithm selection has received increased attention in the past years. Machine Learning techniques are now able to predict with high accuracy the best set of algorithms for a given problem instance. In this present dissertation, we establish the steps for the selection of features for characterization of continuous functions. Via a Dimensionality Reduction approach, only the features that best preserve the information of the dataset are selected. Then, the selected features were compared to already established sets of metrics from the literature and the results are analyzed.
id UFSP_c676ef356b565ebf178cf1d6ca1658ba
oai_identifier_str oai:repositorio.unifesp.br:11600/59868
network_acronym_str UFSP
network_name_str Repositório Institucional da UNIFESP
repository_id_str
spelling Feature selection for characterization of continuous optimization functionsFeature SelectionContinuous OptimizationDimensionality ReductionBlack Box Optimization BenchmarkSeleção De AtributosOtimização ContínuaRedução Da DimensionalidadeOtimização Caixa PretaThe field of automatic algorithm selection has received increased attention in the past years. Machine Learning techniques are now able to predict with high accuracy the best set of algorithms for a given problem instance. In this present dissertation, we establish the steps for the selection of features for characterization of continuous functions. Via a Dimensionality Reduction approach, only the features that best preserve the information of the dataset are selected. Then, the selected features were compared to already established sets of metrics from the literature and the results are analyzed.O tema de Seleção Automática de Algoritmos tem recebido crescente atenção nos últimos anos. Técnicas de Aprendizagem de Máquinas são capazes de predizer com alta precisão o melhor conjunto de algoritmos para uma dada instância de uma função. No presente trabalho, são estabelecidos as etapas necessárias para caracterização de funções contínuas. Com uma abordagem de Redução de Dimensionalidade, apenas os atributos que melhor preservem a informação do conjunto de dados serão selecionados. Então, o conjunto de atributos foi comparado com métricas já estabelecidas na literatura e os resultados analisados.Dados abertos - Sucupira - Teses e dissertações (2019)Universidade Federal de São Paulo (UNIFESP)Scarpel, Rodrigo Arnaldo [UNIFESP]Universidade Federal de São Paulo (UNIFESP)Silva, Guilherme Ribeiro Da [UNIFESP]2021-01-19T16:36:46Z2021-01-19T16:36:46Z2019-08-27info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=7928399GUILHERME RIBEIRO DA SILVA.pdfhttps://repositorio.unifesp.br/handle/11600/59868ark:/48912/001300002sb28enginfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFESPinstname:Universidade Federal de São Paulo (UNIFESP)instacron:UNIFESP2024-08-04T05:10:50Zoai:repositorio.unifesp.br:11600/59868Repositório InstitucionalPUBhttp://www.repositorio.unifesp.br/oai/requestbiblioteca.csp@unifesp.bropendoar:34652024-08-04T05:10:50Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)false
dc.title.none.fl_str_mv Feature selection for characterization of continuous optimization functions
title Feature selection for characterization of continuous optimization functions
spellingShingle Feature selection for characterization of continuous optimization functions
Silva, Guilherme Ribeiro Da [UNIFESP]
Feature Selection
Continuous Optimization
Dimensionality Reduction
Black Box Optimization Benchmark
Seleção De Atributos
Otimização Contínua
Redução Da Dimensionalidade
Otimização Caixa Preta
title_short Feature selection for characterization of continuous optimization functions
title_full Feature selection for characterization of continuous optimization functions
title_fullStr Feature selection for characterization of continuous optimization functions
title_full_unstemmed Feature selection for characterization of continuous optimization functions
title_sort Feature selection for characterization of continuous optimization functions
author Silva, Guilherme Ribeiro Da [UNIFESP]
author_facet Silva, Guilherme Ribeiro Da [UNIFESP]
author_role author
dc.contributor.none.fl_str_mv Scarpel, Rodrigo Arnaldo [UNIFESP]
Universidade Federal de São Paulo (UNIFESP)
dc.contributor.author.fl_str_mv Silva, Guilherme Ribeiro Da [UNIFESP]
dc.subject.por.fl_str_mv Feature Selection
Continuous Optimization
Dimensionality Reduction
Black Box Optimization Benchmark
Seleção De Atributos
Otimização Contínua
Redução Da Dimensionalidade
Otimização Caixa Preta
topic Feature Selection
Continuous Optimization
Dimensionality Reduction
Black Box Optimization Benchmark
Seleção De Atributos
Otimização Contínua
Redução Da Dimensionalidade
Otimização Caixa Preta
description The field of automatic algorithm selection has received increased attention in the past years. Machine Learning techniques are now able to predict with high accuracy the best set of algorithms for a given problem instance. In this present dissertation, we establish the steps for the selection of features for characterization of continuous functions. Via a Dimensionality Reduction approach, only the features that best preserve the information of the dataset are selected. Then, the selected features were compared to already established sets of metrics from the literature and the results are analyzed.
publishDate 2019
dc.date.none.fl_str_mv 2019-08-27
2021-01-19T16:36:46Z
2021-01-19T16:36:46Z
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=7928399
GUILHERME RIBEIRO DA SILVA.pdf
https://repositorio.unifesp.br/handle/11600/59868
dc.identifier.dark.fl_str_mv ark:/48912/001300002sb28
url https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=7928399
https://repositorio.unifesp.br/handle/11600/59868
identifier_str_mv GUILHERME RIBEIRO DA SILVA.pdf
ark:/48912/001300002sb28
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de São Paulo (UNIFESP)
publisher.none.fl_str_mv Universidade Federal de São Paulo (UNIFESP)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNIFESP
instname:Universidade Federal de São Paulo (UNIFESP)
instacron:UNIFESP
instname_str Universidade Federal de São Paulo (UNIFESP)
instacron_str UNIFESP
institution UNIFESP
reponame_str Repositório Institucional da UNIFESP
collection Repositório Institucional da UNIFESP
repository.name.fl_str_mv Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)
repository.mail.fl_str_mv biblioteca.csp@unifesp.br
_version_ 1848498049001717760

Registros relacionados