Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/36554| Título: | Modelo heurístico de seleção de características em aprendizado de máquina |
| Autor(es): | Suyama, Carla Harumi |
| Orientador(es): | Sanches, Danilo Sipoli |
| Palavras-chave: | Heurística Classificação Aprendizado do computador Heuristic Classification Machine learning |
| Data do documento: | 19-Mai-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | SUYAMA, Carla Harumi. Modelo heurístico de seleção de características em aprendizado de máquina. 2021. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2021. |
| Resumo: | Com o passar dos anos, houve um avanço da tecnologia que proporcionou que as pessoas começassem a gerar cada vez mais dados, surgindo então o conceito de Big Data. Com isso, houve a necessidade de tratá-los de forma mais automática, levando a desenvolver técnicas para o processo de Descoberta de Conhecimento. Dentre os passos deste processo, existe a redução de dimensionalidade que é muito importante, porque elimina atributos que não contribuem para a análise. Este trabalho realizou uma análise comparativa de abordagens de Filtro já existentes na literatura com um novo método de Wrapper desenvolvido para reduzir a dimensionalidade juntamente com os classificadores Naive Bayes, KNN, AdaBoost e florestas aleatórias, para verificar qual apresentou melhor desempenho em acurácia, precisão e/ou em revocação. |
| Abstract: | Over the years, there has been a breakthrough in technology that has enabled people to generate more and more data, and the concept of Big Data has emerged. As a result, there was a need to treat them more automatically, leading to the development of techniques for the Knowledge Discovery process. Among the steps of the KDD, there is a reduction in dimensionality that is very important, because it eliminates attributes that do not contribute to the analysis. This work carried out a comparative analysis of Filter approaches already existing in the literature with a new method of Wrapper developed to reduce the dimensionality together with the classifiers Naive Bayes, KNN, AdaBoost and random forests, to verify which presented better performance in accuracy, precision and/or recall. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/36554 |
| Aparece nas coleções: | CP - Engenharia da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| modeloheuristicoselecaocaracteristicas.pdf | 963,22 kB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
