Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/RAOA-BC6H7L
Tipo: | Tese de Doutorado |
Título: | Classificador por arestas de suporte (CLAS): métodos de aprendizado baseados em Grafos de Gabriel |
Autor(es): | Luiz Carlos Bambirra Torres |
Primeiro Orientador: | Antonio de Padua Braga |
Primeiro Coorientador: | Cristiano Leite de Castro |
Primeiro membro da banca : | Cristiano Leite de Castro |
Segundo membro da banca: | Takashi Yoneyama |
Terceiro membro da banca: | Renato Cardoso Mesquita |
Quarto membro da banca: | Andre Paim Lemos |
Quinto membro da banca: | Carmelo Jose Albanez Bastos Filho |
Resumo: | Este trabalho apresenta uma metodologia direcionada para problemas de classifica¸cao de padroes. O objetivo ´e projetar classificadores de margem larga, onde as informa¸coes necess´arias para o projeto do classificador sao obtidas a partir da estrutura geom´etrica dos dados. Atrav´es do grafo de Gabriel, o conjunto de dados ´e transformado em um grafo planar, onde as arestas deste grafo que possuem v´ertices com r´otulos de classes distintas coincidem com as amostras que estao na margem de separa¸cao entre as classes. Estas arestas sao denominadas arestas de suporte e formam a base para o desenvolvimento de uma fam´lia de m´etodos, tais como um decisor para o aprendizado multiobjetivo de redes neurais; uma estrat´egia para sele¸cao de parametros em redes neurais RBF; por fim, a concep¸cao de novos classificadores de margem larga. Resultados com benchmarks conhecidos na literatura mostram que essas abordagens maximizam a margem e aumentam a capacidade de generaliza¸cao dos classificadores. |
Abstract: | This work presents a methodology directed to pattern classification problems. The goal is to design large margin classifiers where the information necessary is obtained from the geometric structure of data. Through the Gabriel graph, the data set is turned into a planar graph, where the edges with vertices of distinct labels corresponds to the samples which are on the margin of separation between the classes. These edge set is named as support edges and forms the basis for the development of a family of methods, such as a decision-maker for multi-objective learning of neural networks; a strategy for selecting parameters in RBF neural networks. Finally, the design of new large margin classifiers. Results with benchmarks known in the literature show that our approaches maximize the margin and increase the classifier generalization ability . |
Assunto: | Processo decisório Engenharia elétrica Teoria dos grafos |
Idioma: | Português |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Tipo de Acesso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/RAOA-BC6H7L |
Data do documento: | 25-Fev-2016 |
Aparece nas coleções: | Teses de Doutorado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
teseluizbambirra.pdf | 10.65 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.