Recomendação de algoritmos de detecção de ruído via meta-aprendizado

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Pio, Pedro Borges
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: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Meta-aprendizagem
Aprendizagem de máquina
Algoritmos de computador
Ruído - detecção
Ruído
Link de acesso: http://repositorio.unb.br/handle/10482/49831
Resumo: Dissertação (Mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.
id UNB_4ac22efae79761d142170ff7af0c67ec
oai_identifier_str oai:repositorio.unb.br:10482/49831
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Recomendação de algoritmos de detecção de ruído via meta-aprendizadoMeta-aprendizagemAprendizagem de máquinaAlgoritmos de computadorRuído - detecçãoRuídoDissertação (Mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.Este trabalho apresenta uma solução de recomendação de algoritmos de detecção de ruído por meio de técnicas de Meta-Aprendizado (MtL). Primeiramente, foi realizada uma revisão sistemática da literatura referente ao tema de MtL e recomendação de algoritmos de pré-processamento. Na revisão foram verificadas quais as técnicas de pré-processamento, meta-características, algoritmos de Aprendizado de Máquina (AM) e métricas de desempenho são mais utilizados na área de recomendação de algoritmos de pré-processamento. Em seguida foram implementadas duas abordagens diferentes para a recomendação de filtros de ruído por meio de técnicas de MtL. A primeira é uma abordagem de ranqueamento (MtL-Rank), que realiza a sugestão por meio de regressores com objetivo de prever o valor da métrica f1-score. A outra abordagem realiza a recomendação por meio de uma sequência de classificadores encadeados (MtL-Multi). Também foi avaliado o desempenho das abordagens ao realizar a recomendação dos filtros juntamente com seus hiperparâmetros. No total, foram utilizados oito filtros de ruído ou 27 quando consideradas as suas variações de hiperparâmetros, quatro técnicas de AM para se extrair a métrica de desempenho e três meta-ranqueadores ou meta-classificadores para se realizar a sugestão. O sistema é avaliado no nível meta e no nível base. No nível meta é avaliado o desempenho dos algoritmos de recomendação por meio da sua acurácia. Já no nível base é verificado o ganho médio na métrica de desempenho (f1-score) ao aplicar cada uma das abordagens. Os resultados mostraram que a abordagem MtL-Rank obteve um ganho médio maior no desempenho, atingindo resultados significativamente melhores que o filtro utilizado como baseline. Por outro lado, a abordagem MtL-Multi obteve resultados melhores no nível meta, chegando atingir uma acurácia de 49%. Além disso, foi verificado que a recomendação dos hiperparâmetros em conjunto com o filtro pode gerar um ganho no desempenho da recomendação.This work implements a noise detection algorithm recommendation using meta-learning techniques. First, a systematic review of the literature on the subject of meta-learning for preprocessing algorithm recommendation was performed. The review verified which preprocessing techniques, meta-features, machine learning algorithms and performance metrics are commonly used in the area of recommending preprocessing algorithms. Next, two different approaches were implemented for recommending noise filters using metalearning techniques. The first is a ranking approach (MtL-Rank), which performs the suggestion using regressors and predicts the value of the performance metric f1-score. The other approach performs the recommendation through a sequence of linked classifiers (MtL-Multi). The performance of the approaches was also evaluated when recommending the filters together with their hyperparameters. In total, we used eight noise filters or 27 when considering their hyperparameter variations, four machine learning techniques to extract the performance metric and three meta-rankers or meta-classifiers to perform the recommendation. The system is evaluated at both the meta and base levels. At the meta level, the performance of a meta-learner is evaluated through their accuracy. At the base level, the average gain in the performance metric (f1-score) is verified. The results showed that the MtL-Rank approach obtained a higher average gain at the base level, obtaining significantly better results than the filter used as baseline. On the other hand, the MtL-Multi approach obtained better results at the meta level, reaching an accuracy up to 49%. In addition, it was verified that the suggestion of hyperparameters together with the noise filter can generate a gain in the performance when compared with only recommending the filter.Instituto de Ciências Exatas (IE)Departamento de Ciência da Computação (IE CIC)Programa de Pós-Graduação em InformáticaGarcia, Luís Paulo FainaPio, Pedro Borges2024-08-13T21:09:20Z2024-08-13T21:09:20Z2024-08-132023-02-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfPIO, Pedro Borges. Recomendação de algoritmos de detecção de ruído via meta-aprendizado. 2023. 101 f., il. Dissertação (Mestrado em Informática) — Universidade de Brasília, Brasília, 2023.http://repositorio.unb.br/handle/10482/49831porA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2025-02-27T18:20:52Zoai:repositorio.unb.br:10482/49831Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2025-02-27T18:20:52Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Recomendação de algoritmos de detecção de ruído via meta-aprendizado
title Recomendação de algoritmos de detecção de ruído via meta-aprendizado
spellingShingle Recomendação de algoritmos de detecção de ruído via meta-aprendizado
Pio, Pedro Borges
Meta-aprendizagem
Aprendizagem de máquina
Algoritmos de computador
Ruído - detecção
Ruído
title_short Recomendação de algoritmos de detecção de ruído via meta-aprendizado
title_full Recomendação de algoritmos de detecção de ruído via meta-aprendizado
title_fullStr Recomendação de algoritmos de detecção de ruído via meta-aprendizado
title_full_unstemmed Recomendação de algoritmos de detecção de ruído via meta-aprendizado
title_sort Recomendação de algoritmos de detecção de ruído via meta-aprendizado
author Pio, Pedro Borges
author_facet Pio, Pedro Borges
author_role author
dc.contributor.none.fl_str_mv Garcia, Luís Paulo Faina
dc.contributor.author.fl_str_mv Pio, Pedro Borges
dc.subject.por.fl_str_mv Meta-aprendizagem
Aprendizagem de máquina
Algoritmos de computador
Ruído - detecção
Ruído
topic Meta-aprendizagem
Aprendizagem de máquina
Algoritmos de computador
Ruído - detecção
Ruído
description Dissertação (Mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-02-24
2024-08-13T21:09:20Z
2024-08-13T21:09:20Z
2024-08-13
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 PIO, Pedro Borges. Recomendação de algoritmos de detecção de ruído via meta-aprendizado. 2023. 101 f., il. Dissertação (Mestrado em Informática) — Universidade de Brasília, Brasília, 2023.
http://repositorio.unb.br/handle/10482/49831
identifier_str_mv PIO, Pedro Borges. Recomendação de algoritmos de detecção de ruído via meta-aprendizado. 2023. 101 f., il. Dissertação (Mestrado em Informática) — Universidade de Brasília, Brasília, 2023.
url http://repositorio.unb.br/handle/10482/49831
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.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1839083818845208576

Registros relacionados