dc.contributor | Cavalcanti, George D. C. | |
dc.creator | Silva Filho, Luiz Vieira e | |
dc.date | 2015-03-09T19:29:39Z | |
dc.date | 2015-03-09T19:29:39Z | |
dc.date | 2014-02-17 | |
dc.identifier | SILVA FILHO, Luiz Vieira e. Uma arquitetura para combinação de classificadores otimizada por métodos de poda com aplicação em credit scoring. Recife, 2014. 79 f. Dissertação (mestrado) - UFPE, Centro de Informática, Programa de Pós-graduação em Ciência da Computação, 2014. | |
dc.identifier | https://repositorio.ufpe.br/handle/123456789/11564 | |
dc.description | Sistemas de Múltiplos Classificadores (Multiple Classifiers Systems - MCS) se baseiam
na ideia de que combinar a opinião de vários especialistas pode produzir
melhores resultados do que quando se usa apenas um especialista. Diversas
técnicas de MCS foram desenvolvidas, apresentando pontos fortes e fracos,
a depender do contexto em que são aplicadas. Este trabalho propõe uma arquitetura
para MCS que visa potencializar a complementaridade entre essas
técnicas, possuindo dois objetivos principais: i) a combinação de métodos
de amostragem tradicionais, visando a geração de classificadores de melhor
desempenho que componham um pool de classificadores; ii) a aplicação de
um algoritmo de poda para remover do pool aqueles classificadores incompetentes
para lidar com o problema em questão, considerando os critérios de
seleção adotados. A arquitetura proposta foi avaliada em uma aplicação de
credit-scoring. Os métodos de amostragem usados foram o Bagging e o Random
Subspace com classificadores-base sendo árvores-de-decisão, construídas
com base no algoritmo CART. Para o processamento da poda foi usado o algoritmo
Orientation Ordering, e para combinação das saídas dos classificadores
do ensemble adotou-se o método Majority Vote. Os experimentos realizados
mostraram que a arquitetura proposta alcançou taxas de acerto similares ou
superiores às atingidas pelos métodos apresentados na literatura. Esses resultados
ainda foram obtidos com ensembles cujos tamanhos eram da ordemde
20% dos pools originais gerados na fase de treinamento. | |
dc.format | application/pdf | |
dc.language | por | |
dc.publisher | Universidade Federal de Pernambuco | |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | |
dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
dc.subject | MCS | |
dc.subject | Combinação de classificadores | |
dc.subject | Ensembles | |
dc.subject | Comitês | |
dc.subject | Poda de ensembles | |
dc.subject | Árvores-de-decisão | |
dc.subject | Credit scoring | |
dc.subject | Ordenação de classificadores | |
dc.title | Uma arquitetura para combinação de classificadores otimizada por métodos de poda com aplicação em credit scoring | |
dc.type | masterThesis | |