Stacking bagged and boosted forests for classification of noisy and high-dimensional data

Raphael Rodrigues Campos

Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/JCES-ATKER7

Full metadata record

DC Field	Value	Language
dc.contributor.advisor1	Marcos Andre Goncalves	pt_BR
dc.contributor.referee1	Leonardo Chaves Dutra da Rocha	pt_BR
dc.contributor.referee2	Marco Antonio Pinheiro de Cristo	pt_BR
dc.contributor.referee3	Pedro Olmo Stancioli Vaz de Melo	pt_BR
dc.creator	Raphael Rodrigues Campos	pt_BR
dc.date.accessioned	2019-08-12T07:46:56Z	-
dc.date.available	2019-08-12T07:46:56Z	-
dc.date.issued	2017-07-21	pt_BR
dc.identifier.uri	http://hdl.handle.net/1843/JCES-ATKER7	-
dc.description.resumo	Floresta Aleatória (FA) é uma das estratégias mais bem-sucedidas para tarefas de classificação automática. Motivado por seu grande sucesso, recém-propostos métodos baseados em FA têm alavancado a ideia central da RF de agregar um grande conjunto de árvores de decisão com baixa correlação, que é inerentemente paralelizável e provê capacidade excepcional de generalização. Nesse contexto, esse trabalho provê várias novas contribuições para essa linha de pesquisa. Primeiramente, nós propomos uma nova estratégia baseada em FA (BERT) que aplica a técnica de \textit{boosting} em árvores extremamente aleatórias com \textit{bagging}. Segundo, nós demonstramos empiricamente que essa nova estratégia, assim como os recém-propostos classificadores BROOF e LazyNN\_RF complementam uns aos outros, motivando-nos a empilhá-los a fim de produzir um método ainda mais eficaz. Até onde sabemos, esse é a primeira estratégia que efetivamente combina as três principais estratégias de comitê de classificadores: empilhamento, \textit{bagging} (a base da FA) e \textit{boosting}. Por último, nós exploramos as instâncias \textit{out-of-bag (OOB)} para empilhar, eficientemente e sem viés, métodos baseados em \textit{bagging}, desse modo diminuindo consideravelmente o custoso processo de treino do procedimento de empilhamento. Nossos experimentos cobrindo dois domínios ruidosos e com alta dimensionalidade - classificação de tópicos e sentimentos - provê forte evidência em favor dos benefícios de nossas soluções baseadas em FA. Nós mostramos que o BERT está dentre os classificadores de mais alta efetividade na vasta maioria dos casos analisados, mantendo os benefícios únicos da FA (interpretabilidade, paralelização, fácil parametrização, capacidade de lidar com dados heterogêneos e valores faltantes).	pt_BR
dc.language	Inglês	pt_BR
dc.publisher	Universidade Federal de Minas Gerais	pt_BR
dc.publisher.initials	UFMG	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Aprendizado de Máquina	pt_BR
dc.subject	Classificação	pt_BR
dc.subject	Ensemble	pt_BR
dc.subject	Floresta Aleatória	pt_BR
dc.subject	Empilhamento	pt_BR
dc.subject.other	Computação	pt_BR
dc.subject.other	Floresta Aleatória	pt_BR
dc.subject.other	Aprendizado de máquina	pt_BR
dc.subject.other	Mineração de dados (Computação)	pt_BR
dc.title	Stacking bagged and boosted forests for classification of noisy and high-dimensional data	pt_BR
dc.type	Dissertação de Mestrado	pt_BR
Appears in Collections:	Dissertações de Mestrado

Files in This Item:

File	Description	Size	Format
raphael_rodrigues_campos.pdf		1.1 MB	Adobe PDF	View/Open

Show simple item record