Use este identificador para citar ou linkar para este item: http://www.repositorio.ufop.br/handle/123456789/6442
Título: HCAIM : um método de discretização supervisionado para o contexto de classificação hierárquica.
Autor(es): Guandaline, Valter Hugo
Orientador(es): Merschmann, Luiz Henrique de Campos
Palavras-chave: Sistemas de recuperação da informação
Classificação
Processamento de listas - computadores
Data do documento: 2016
Membros da banca: Gomes, David Menotti
Cerri, Ricardo
Referência: GUANDALINE, Valter Hugo. HCAIM : um método de discretização supervisionado para o contexto de classificação hierárquica. 2016. 80f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2016.
Resumo: A discretização de dados, como uma etapa da fase de pré-processamento, tem sido alvo de pesquisas em diversos trabalhos no contexto de classificação plana. Apesar da importância dos métodos de discretização para a tarefa de classificação, até onde se tem conhecimento, para problemas de classificação hierárquica, não existem na literatura propostas de métodos de discretização supervisionados que possam ser utilizados em conjunto com classificadores hierárquicos globais. Desse modo, neste trabalho é proposto um método de discretização supervisionado para o contexto de classificação hierárquica. Este método, denominado HCAIM (Hierarchical CAIM), corresponde a uma adaptação do método de discretização CAIM proposto para o contexto de classificação plana. A avaliação do método proposto foi realizada utilizando-se o método de classificação hierárquica Global Model Naive Bayes – GMNB. Os experimentos computacionais realizados com 8 bases de dados de bioinformática mostraram que o método HCAIM, para a maioria das bases, permitiu ao GMNB alcançar desempenho preditivo superior àqueles alcançados quando a base de dados foi pré-processada pelos métodos não supervisionados EqualWidth e EqualFrequency. ____________________________________________________________________________________________________________________
ABSTRACT : The discretization of data such as a stage of pre-processing stage has been the subject of research in various studies in the context of flat classification. Despite the importance of discretization methods for the classification task, as far as is known, for hierarchical classification problems, there are proposals in the literature of supervised discretization methods that can be used in conjunction with global hierarchical classifiers. Thus, in this paper we propose a discretization method for supervised hierarchical classification context. This method, called HCAIM (Hierarchical CAIM), corresponding to an adaptation of CAIM discretization method proposed for the flat classification context. The evaluation of the proposed method was performed using the hierarchical classification method Global Model Naive Bayes - GMNB. Computational experiments with 8 bioinformatics databases showed that HCAIM method for most bases allowed GMNB achieve superior predictive performance to those obtained when the database is preprocessed by the methods Unsupervised EqualWidth and EqualFrequency.
Descrição: Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.
URI: http://www.repositorio.ufop.br/handle/123456789/6442
Licença: Autorização concedida ao Repositório Institucional da UFOP pelo autor, 25/04/2016, com as seguintes condições: disponível sob Licença Creative Commons 4.0, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.
Aparece nas coleções:PPGCC - Mestrado (Dissertações)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertacao_HcaimMétodoDiscretização.pdf1,14 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.