Aprendizado de métrica supervisionado para classificador por arestas de suporte
Carregando...
Data
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Artigo de evento
Título alternativo
Primeiro orientador
Membros da banca
Resumo
Como outros modelos baseados em informações de margem,
os Classificadores por Arestas de Suporte (CLAS) utilizam propriedades
intrínsecas dos Grafos de Gabriel para filtrar amostras na região de separação visando a suavizar a resposta do classificador. A abordagem utilizada está sujeita à distribuição das amostras na região de superposição e
pode depender do conjunto de dados. Como alternativa, propõe-se, neste
trabalho, uma etapa de aprendizado de métrica supervisionado baseado
no método Large Margin Nearest Neighbors no treinamento de modelos
CLAS com o efeito de reduzir a sobreposição entre as classes e controlar
também a suavização do modelo.
Abstract
Assunto
Engenharia - Métodos estatísticos, Teoria dos grafos, Algoritmos
Palavras-chave
método Large Margin Nearest Neighbors, estrutura de Grafos de Gabriel, o benchmark testado foi estatisticamente equivalente ao do classificador CHIP-CLAS original e ao SVM com kernel RBF (RBF-SVM) e polinomial (Poly-SVM)
Citação
Departamento
Curso
Endereço externo
http://cbic2017.org/papers/cbic-paper-52.pdf