Navegando por Autor "Monard, Maria Carolina"
Agora exibindo 1 - 4 de 4
Resultados por página
Opções de Ordenação
- ItemUma comparação experimental de ensembles de árvores de decisão e de regras utilizando a técnica de Boosting.(2002-04) Bernardini, Flávia Cristina; Monard, Maria CarolinaUm dos temas atuais em aprendizado de máquina supervisionado está relacionado com o estudo de métodos de construção de ensembles de classificadores, os quais podem ser mais precisos que os classificadores individuais que compõem o ensemble. Vários métodos têm sido propostos para construir ensembles, entre eles métodos que manipulam o conjunto de exemplos de treinamento. Existem várias técnicas para manipular o conjunto de treinamento, entre elas a técnica do Boosting. O objetivo deste trabalho é analisar experimentalmente a técnica de Boosting utilizando dois algoritmos de aprendizado de máquina: um que induz árvores de decisão e outro que induz regras.
- ItemUm estudo de caso utilizando o módulo de combinação e explicação do Rule System.(2002-04) Bernardini, Flávia Cristina; Monard, Maria CarolinaEncontra-se em desenvolvimento no LABIC - Laboratório de Inteligência Computacional um projeto de grande porte denominado DISCOVER, que tem por objetivo fornecer um ambiente integrado para apoiar as etapas do processo de descoberta de conhecimento. No intuito de testar algumas idéias que poderão futuramente ser implementadas no ambiente DISCOVER, foi implementado um sistema computacional denominado Rule System na linguagem de programação lógica Prolog. O Rule System utiliza conjuntos de classificadores simbólicos induzidos por diferentes algoritmos de Aprendizado de Máquina e tem como objetivos: avaliar as regras de conhecimento que constituem esses Classificadores, avaliar diversas formas de combinar esses classificadores bem como explicar a classificação de novos exemplos por esse conjunto, ou ensemble, de classificadores. Dentre os módulos do Rule System, está o Módulo de Combinação e Explicação- MCE -, responsável pela tarefa de explicação de ensembles e combinação de Classificadoras. Um dos procedimentos principais do MCE é o rco/4, que implementa o algoritmo RCC. 0 RCO é um algoritmo de seleção de regras que utiliza como entrada um conjunto de hipóteses (classificadores), constituídas por regras e um subconjunto de dados do domínio. O objetivo deste trabalho é analisar as hipóteses construídas utilizando seis critérios diferentes do algoritmo RGO, com as hipóteses induzidas pelo algoritmo de aprendizado de máquina CN2. Os experimentos foram realizados utilizando um conjunto de dados do mundo real, relacionados ao processamento de sêmen diagnóstico.
- ItemMétricas de qualidade de hiperdocumentos: uma análise utilizando sistemas de aprendizado de máquina.(2001-03) Silva, Elisandra Aparecida Alves da; Fortes, Renata Pontin de Mattos; Monard, Maria Carolinasem resumo
- ItemRule induction using rough sets reducts as filter for selecting features: an empirical comparison with other filters.(2001-04) Pila, Adriano Donizete; Monard, Maria CarolinaThe Feature Subset Selection is an important problem within the Machine Learning area where the learning algorithm is faced with the. problem of selecting relevant features while ignoring the rest. Another important problem within this area is the complexity of the knowledge acquired (hypotheses) though rules induction. Rough Sets Theory is a mathematical tool to deal with vagueness and uncertainty information, One of the main features of this approach are the reducts, which is a minimal feature set that preserves the ability to discern each object from the others. This work presents in detail several experiments, results and comparisons using Rough Sets Reducts and other Filters for feature subset selection and rule induction. The purpose of this work is to investigate the reduction of the complexity of the rules induced in terms of the Feature Subset Selection problem, considering as measure of rules complexity the number of rules induced. All the experiments where run on natural datasets, most of them obtained from the UCI Irvine Repository.