Uma comparação experimental de ensembles de árvores de decisão e de regras utilizando a técnica de Boosting.
dc.contributor | São Carlos - ICMC-USP | pt_BR |
dc.contributor.author | Bernardini, Flávia Cristina | |
dc.contributor.author | Monard, Maria Carolina | |
dc.date.accessioned | 2019-03-19T14:20:43Z | |
dc.date.available | 2019-03-19T14:20:43Z | |
dc.date.issued | 2002-04 | |
dc.description.abstract | Um 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. | pt_BR |
dc.description.notes | Relatórios Técnicos do ICMC; 161 | pt_BR |
dc.format | 30 p. | pt_BR |
dc.identifier.uri | http://repositorio.icmc.usp.br//handle/RIICMC/6894 | |
dc.language.iso | por | pt_BR |
dc.publisher.city | São Carlos, SP, Brasil. | pt_BR |
dc.subject | Inteligência artificial | pt_BR |
dc.title | Uma comparação experimental de ensembles de árvores de decisão e de regras utilizando a técnica de Boosting. | pt_BR |
dc.title.alternative | An experimental comparison of ensembles of decision trees and rules using the Boosting technique. | pt_BR |
dc.type.category | Relatórios técnicos | pt_BR |
usp.description.abstracttranslated | One of the current topics in supervised machine learning is related to with the study of methods of constructing ensembles of classifiers, which can be more accurate than the individual classifiers that make up the ensemble. Several methods have been proposed to construct ensembles, among them methods that manipulate the set of training examples. There are several techniques for manipulate the training set, among them the Boosting technique. The goal of this work is to experimentally analyze the Boosting technique using two machine learning algorithms: one that induces decision trees and another that induces rules. | pt_BR |