Projeto e implementação do algoritmo semissupervisionado multidescrição CoAL.
| dc.contributor | Instituto de Ciências Matemáticas e de Computação – ICMC/USP | pt_BR |
| dc.contributor.author | Braga, Ígor Assis | |
| dc.contributor.author | Monard, Maria Carolina | |
| dc.date.accessioned | 2018-03-05T14:45:13Z | |
| dc.date.available | 2018-03-05T14:45:13Z | |
| dc.date.issued | 2009-05 | |
| dc.description.abstract | Algoritmos de aprendizado semissupervisionado podem ser aplicados em domínios em que poucos exemplos rotulados e uma vasta quantidade de exemplos não rotulados estão disponíveis. Uma poderosa abordagem ao aprendizado semissupervisionado, denominada aprendizado multidescrição, pode ser usada sempre que os exemplos de treinamento são descritos por dois ou mais conjuntos de atributos disjuntos. O CO-TRAINING é o principal algoritmo semissupervisionado multidescrição disponível atualmente. No entanto, ele apresenta um problema que pode surgir quando os classificadores em cada descrição discordam com alta confiança na classificação de um exemplo. Em (Braga, 2010) foram propostas e avaliadas duas soluções para lidar com esse problema. Uma dessas soluções é o algoritmo COAL, cuja implementação usando o ambiente Weka é descrita neste relatório. | pt_BR |
| dc.description.notes | Relatórios Técnicos do ICMC; 352 | pt_BR |
| dc.format | 24 p. | pt_BR |
| dc.identifier.uri | http://repositorio.icmc.usp.br//handle/RIICMC/6699 | |
| dc.language.iso | por | pt_BR |
| dc.publisher.city | São Carlos, SP, Brasil. | pt_BR |
| dc.subject | Inteligência artificial | pt_BR |
| dc.title | Projeto e implementação do algoritmo semissupervisionado multidescrição CoAL. | pt_BR |
| dc.title.alternative | Design and implementation of the multi-described semi-supervised algorithm CoAL. | pt_BR |
| dc.type.category | Relatórios técnicos | pt_BR |
| usp.description.abstracttranslated | Semi-supervised learning algorithms can be applied in areas where few examples are labeled and a large number of unlabelled examples are available see a powerful approach to semi-supervised learning, called multi-description learning, can be used whenever the training examples are described by two or more more disjoint attribute sets. CO-TRAINING is the main semi-supervised multi-list algorithm currently available. However, it presents a problem that may arise when the classifiers in each description disagree with high confidence in the classification of an example. In (Braga, 2010) two solutions were proposed and evaluated to deal with this problem. One of these solutions is the COAL algorithm, whose implementation using the Weka environment is described in this report. | pt_BR |