Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/SLSS-8GQQA6
Tipo: | Dissertação de Mestrado |
Título: | Uma estratégia híbrida para o problema de classificação multirrótulo |
Autor(es): | Tiago Amador Coelho |
Primeiro Orientador: | Wagner Meira Junior |
Primeiro Coorientador: | Ahmed Ali Abdalla Esmin. |
Primeiro membro da banca : | Gisele Lobo Pappa |
Segundo membro da banca: | Ahmed Ali Abdalla Esmin. |
Terceiro membro da banca: | Adriano Alonso Veloso |
Quarto membro da banca: | Thiago de Souza Rodrigues |
Resumo: | Este trabalho apresenta um novo método para resolver o problema de classificação multirrótulo, baseado no método de enxame de partículas, chamado Multi Label K-Nearest Michigam Particle Swarm Optimization (ML-KMPSO), que foi avaliado utilizando-se duas bases de dados reais. A aprendizagem multirrótulo se originou na categorização de textos, onde cada documento pode pertencer a várias classes simultaneamente.Neste trabalho é proposta uma nova abordagem híbrida, na qual o ML-KMPSO se enquadra. Esta abordagem é baseada em duas estratégias. A primeira estratégia é a divisão do problema multirrótulo em diversos problemas binários, sendo que para tal foi utilizado o Michigan Particle Swarm Optimization (MPSO) para resolvê-los, porém,esta estratégia não leva em consideração as correlações existentes entre as classes. Já a segunda estratégia tem como objetivo considerar as correlações existentes entre as classes utilizando o Multi Label K-Nearest Neighbor (ML-KNN). Avaliamos a performance do ML-KMPSO utilizando a base Yeast (classificação funcional de genes) e a base Scene (classificação semântica de cenas). Os resultados obtidos pelo ML-KMPSO se igualam ou superam algoritmos de classificação multirrótulo do estado da arte |
Abstract: | This work presents a new method for multi-label classification based on Particle Swarm Optimization, called Multi Label K-Nearest Michigan Particle Swarm Optimization ML-KMPSO) and evaluates it experimentally using two real-world datasets. Multilabel learning first arose in the context of text categorization, where each document may belong to several classes simultaneously. In this work, we propose a new hybridapproach, ML-KMPSO. It is based on two strategies. The first strategy is the Michigan Particle Swarm Optimization (MPSO), which breaks the multi-label classification task into several binary classification problems, but it does not take into account the correlations among the various classes. The second strategy is Multi Label K-Nearest Neighbor (ML-KNN), which is complementary and takes into account the correlations among classes. We evaluated the performance of ML-KMPSO using two real-world datasets: Yeast gene functional analysis and natural scene classification. The experimental results show that ML-KMPSO produced results that match or outperform well-established multi-label learning algorithms. |
Assunto: | Computação |
Idioma: | Inglês |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Tipo de Acesso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/SLSS-8GQQA6 |
Data do documento: | 29-Mar-2011 |
Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
tiagoamadorcoelho.pdf | 4.5 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.