Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/SLSS-8GQQA6
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Wagner Meira Junior | pt_BR |
dc.contributor.advisor-co1 | Ahmed Ali Abdalla Esmin. | pt_BR |
dc.contributor.referee1 | Gisele Lobo Pappa | pt_BR |
dc.contributor.referee2 | Ahmed Ali Abdalla Esmin. | pt_BR |
dc.contributor.referee3 | Adriano Alonso Veloso | pt_BR |
dc.contributor.referee4 | Thiago de Souza Rodrigues | pt_BR |
dc.creator | Tiago Amador Coelho | pt_BR |
dc.date.accessioned | 2019-08-10T19:07:43Z | - |
dc.date.available | 2019-08-10T19:07:43Z | - |
dc.date.issued | 2011-03-29 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/1843/SLSS-8GQQA6 | - |
dc.description.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. | pt_BR |
dc.description.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 | 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 | classificação multi-rótulo | pt_BR |
dc.subject | Mineração de dados | pt_BR |
dc.subject | Método de Enxame de Partículas | pt_BR |
dc.subject.other | Computação | pt_BR |
dc.title | Uma estratégia híbrida para o problema de classificação multirrótulo | pt_BR |
dc.type | Dissertação de Mestrado | pt_BR |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
tiagoamadorcoelho.pdf | 4.5 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.