skip to main content
Visitante
Meu Espaço
Minha Conta
Sair
Identificação
This feature requires javascript
Tags
Revistas Eletrônicas (eJournals)
Livros Eletrônicos (eBooks)
Bases de Dados
Bibliotecas USP
Ajuda
Ajuda
Idioma:
Inglês
Espanhol
Português
This feature required javascript
This feature requires javascript
Primo Search
Busca Geral
Busca Geral
Acervo Físico
Acervo Físico
Produção Intelectual da USP
Produção USP
Search For:
Clear Search Box
Search in:
Produção Intelectual da USP
Or hit Enter to replace search target
Or select another collection:
Search in:
Produção Intelectual da USP
Busca Avançada
Busca por Índices
This feature requires javascript
Tipo de recurso
criteria input
qualquer lugar do registro
no título
como autor
no assunto
Data de publicação
lsr01
lsr02
lsr03
lsr04
Orientador
Show Results with:
no título
Show Results with:
qualquer lugar do registro
no título
como autor
no assunto
Data de publicação
lsr01
lsr02
lsr03
lsr04
Orientador
Mostra resultados com:
criteria input
que contêm minhas palavras de busca
com a frase exata
começa com
Mostra resultados com:
Índice
criteria input
E
OU
NÃO
This feature requires javascript
Use of meta-learning for hypeparameter tuning of classification problems
Rafael Gomes Mantovani André Carlos Ponce
de
Leon Ferreira
de
Carvalho; Joaquin Vanschoren
2018
Localização:
ICMC - Inst. Ciên. Mat. Computação
(T M293um e.1 )
(Acessar)
This feature requires javascript
Localização & Reservas
Detalhes
Resenhas & Tags
Solicitações
Mais Opções
Prateleira Virtual
This feature requires javascript
Enviar para
Adicionar ao Meu Espaço
Remover do Meu Espaço
E-mail (máximo 30 registros por vez)
Imprimir
Link permanente
Referência
EasyBib
EndNote
RefWorks
del.icio.us
Exportar RIS
Exportar BibTeX
This feature requires javascript
Título:
Use of meta-learning for hypeparameter tuning of classification problems
Autor:
Rafael Gomes Mantovani
André Carlos Ponce
de
Leon Ferreira
de
Carvalho
;
Joaquin Vanschoren
Assuntos:
APRENDIZADO COMPUTACIONAL
;
ALGORITMOS GENÉTICOS
;
MINERAÇÃO
DE
DADOS
;
Ajuste
De
Hiper-Parâmetros
;
Classificaiton Problems
;
Hyperparameter Tuning
;
Meta-Aprendizado
;
Meta-Learning
;
Problemas
De
Classificação
Notas:
Tese (Doutorado)
Descrição:
Soluções
de
aprendizado
de
máquina tem sido cada vez mais usadas com sucesso para resolver problemas dos mais simples aos complexos. Entretanto, o processo
de
desenvolvimento
de
tais soluções ainda é um processo que depende da ação
de
especialistas humanos em tarefas como: pré-processamento dos dados, engenharia
de
features e seleção
de
modelos. Consequentemente, quando a complexidade destas tarefas atinge um nível muito alto, há a necessidade
de
soluções automatizadas, denominadas por Aprendizado
de
Máquina automatizado (AutoML). A maioria dos algoritmos usados em tais sistemas possuem hiper-parâmetros cujos valores podem afetar diretamente o desempenho preditivo dos modelos gerados. Assim sendo, o ajuste
de
hiper-parâmetros é uma tarefa recorrente no desenvolvimento
de
sistems
de
AutoML. Nesta tese investigou-se a automatização do ajuste
de
hiper-parâmetros por meio
de
Meta-aprendizado. Seguindo essa linha, experimentos massivos foram realizados para ajustar os hiper-parâmetros
de
diferentes algoritmos de classificação. Além disso, uma metodologia experimental aprimorada e adotada ao lngo da tese perimtiu identificar diferentes perfis de ajuste para diferentes algoritmos de classificação. Entretanto, os resultados também mostraram que em muitos casos as configurações default destes algoritmos induziram modelos mais precisos do que os obtidos por meio de ajuste. Assim, foi proposto um novo sistema de recomendação baseado em Meta-learning para identificar quando é melhor
realizar o ajuste
de
parâmetros para os algoritmos
de
classificação ou apenas usar os valores default. O sistema proposto é capaz
de
generalizar várias etapas do aprendizado em um único framework modular, juntamente com a possibilidade
de
avaliar diferentes algoritmos
de
aprendizado
de
máquina. As análises descritivas das predições obtidas pelo sistema indicaram quais características podem ser responsáveis por determinar quando o ajuste se faz necessário para cada um dos algoritmos investigados na tese. Os resultados também demonstraram que o sistema recomendador proposto reduziu o tempo gasto com a otimização mantendo o desempenho preditivo dos modelos gerados. Além disso, dependendo do algoritmo
de
classificação modelado, o sistema foi estatisticamente superior aos baselines. A significância desdes resultados abre um novo número
de
oportunidades para trabalhos futuros.
Data de criação/publicação:
2018
Formato:
155 p.
Idioma:
Inglês
Links
Este item no Dedalus
E-mail do orientador
E-mail do orientador
This feature requires javascript
This feature requires javascript
Voltar para lista de resultados
Anterior
Resultado
8
Avançar
This feature requires javascript
This feature requires javascript
Buscando em bases de dados remotas. Favor aguardar.
Buscando por
em
scope:(USP_PRODUCAO)
Mostrar o que foi encontrado até o momento
This feature requires javascript
This feature requires javascript