dc.contributor.author | Souza, Nahim Alves de | |
dc.date.accessioned | 2018-03-06T14:36:34Z | |
dc.date.available | 2018-03-06T14:36:34Z | |
dc.date.issued | 2018-01-25 | |
dc.identifier.citation | SOUZA, Nahim Alves de. Aumentando o poder preditivo de classificadores lineares através de particionamento por classe. 2018. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, Sorocaba, 2018. Disponível em: https://repositorio.ufscar.br/handle/ufscar/9530. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/9530 | |
dc.description.abstract | This work describes a new classification technique called P2C - Partitioning to Classify. The main goal is to achieve reasonable classification performances using linear prediction methods, even on datasets with non-linear separable data. The proposed technique, inspired by the division-and-conquer strategy, applies a clustering method on each partition made of samples of the same class. Subsequently, the union among the clusters inside each partition is performed, creating a single partition, where each group can contain linearly separable samples. Then, one or more linear classifiers are trained, according to the number of groups. Experiments performed using datasets with different structural and complexity level indicate the overall performance of the prediction is similar or superior to well-known non-linear classification methods. The main advantages of P2C technique are (i) the need for less effort and computational resources, and (ii) the possibility of treating large datasets due to the ease of parallelization of the steps. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights.uri | Acesso aberto | por |
dc.subject | Classificação linear | por |
dc.subject | Agrupamento | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Linear classification | eng |
dc.subject | Clustering | eng |
dc.subject | Machine learning | eng |
dc.subject | Cluster (Sistema de computador) | eng |
dc.subject | Aprendizado do computador | por |
dc.title | Aumentando o poder preditivo de classificadores lineares através de particionamento por classe | por |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Sakata, Tiemi Christine | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/3560505262283874 | por |
dc.contributor.advisor-co1 | Almeida, Tiago Agostinho de | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/5368680512020633 | por |
dc.description.resumo | Este trabalho descreve uma nova técnica de classificação, denominada P2C - Partitioning to Classify, cujo objetivo é obter bom desempenho de classificação usando métodos de predição lineares, mesmo em bases com dados não separáveis linearmente. A técnica proposta, inspirada na estratégia de divisão-e-conquista, aplica um método de agrupamento sobre cada partição, constituídas por amostras de mesma classe. Posteriormente, a união dos clusters em cada partição é realizada, criando uma única partição, onde cada grupo pode conter amostras separáveis linearmente. Em seguida, um ou mais classificadores lineares são treinados, de acordo com o número de grupos. Experimentos realizados com bases de dados que possuem diferentes estruturas e níveis de complexidade demonstram que o desempenho geral da predição é muitas vezes semelhante ou superior aos métodos de classificação não-lineares. As principais vantagens da técnica P2C são (i) a necessidade de menor esforço e recursos computacionais, e (ii) a possibilidade de tratar bases de dados grandes, devido à facilidade de paralelização das etapas. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC-So | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO | por |
dc.ufscar.embargo | Online | por |
dc.publisher.address | Câmpus Sorocaba | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/8001426091713066 | por |