dc.contributor.author | Cambuí, Brendon Gouveia | |
dc.date.accessioned | 2021-02-01T11:49:08Z | |
dc.date.available | 2021-02-01T11:49:08Z | |
dc.date.issued | 2020-08-21 | |
dc.identifier.citation | CAMBUÍ, Brendon Gouveia. Neural networks for feature-extraction in multi-target classification. 2020. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2020. Disponível em: https://repositorio.ufscar.br/handle/ufscar/13795. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/13795 | |
dc.description.abstract | Multi-target learning is a prediction task where each data example is associated with multiple target-variables (outputs) simultaneously. One of the challenges in this research field is related to the high dimensionality of data present in multi-target datasets, and also the high number of target variables having dependencies among themselves. In such scenarios, it is crucial to extract lower-dimensional representations from the original input-space, such that these can be provided as input to other multi-target predictors. In this research, we proposed the use of Auto-Encoders and Restricted Boltzmann Machines as feature extractors in several multi-target classification datasets publicly available. Results were evaluated considering state-of-the-art multi-target classification methods and evaluation measures in the literature. The experiments showed that the neural networks were able to keep the predictive performance even when the extracted features corresponded to a dimension size equivalent to 10% of the original number of features and, in some cases, getting better results than the original datasets. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | eng | eng |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Multi-Target Classification | eng |
dc.subject | Auto-encoders | eng |
dc.subject | Restricted Boltzmann Machine | eng |
dc.subject | Feature-extraction | eng |
dc.subject | Dimensionality reduction | eng |
dc.title | Neural networks for feature-extraction in multi-target classification | eng |
dc.title.alternative | Redes neurais para extração de features em classificação multi-target | por |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Cerri, Ricardo | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6266519868438512 | por |
dc.description.resumo | O aprendizado Multi-Target é uma tarefa de predição onde cada exemplo de um conjunto de dados é associado à múltiplas variáveis de saída simultaneamente. Um dos desafios desta pesquisa está associado à alta dimensionalidade dos dados presentes nos conjuntos Multi-Target, e o alto número de variáveis de saída que possuem dependência entre si. Nestes cenários, é crucial extrair representações de dimensões menores que a presente no conjunto de dados original, de forma que essas representações possam serem utilizadas como dados de entrada para os preditores Multi-Target. Nesta pesquisa, propomos o uso de Auto-Encoders e Restricted Boltzmann Machine como extratores de features em diversos datasets de classificação Multi-Target disponíveis ao domínio público. Os resultados foram avaliados considerando os métodos de classificação Multi-Target de estado-da-arte e os métodos de avaliação disponíveis na literatura. Os experimentos mostraram que as redes neurais foram capazes de manter uma performance preditiva competitiva, mesmo quando as features extraídas correspondiam a uma dimensão equivalente à 10% do número de features original e, em alguns casos, obtendo melhores resultados do que os obtidos utilizando os datasets originais. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/0863602515011239 | por |