Meta-aprendizagem aplicada à classificação de dados de expressão gênica
ABCD PBi
Meta-aprendizagem aplicada à classificação de dados de expressão gênica
Autor:
Souza, Bruno Feres De
Orientador:
Carvalho, André Carlos Ponce de Leon Ferreira de; Soares, Carlos Manuel Milheiro de Oliveira Pinto
Assuntos:
Aprendizagem De Máquina
;
Classificação De Dados De Expressão Gênica
;
Meta-Aprendizagem
;
Gene Expression Data Classification
;
Machine Learning
;
Metalearning
Notas:
Tese (Doutorado)
Descrição:
Dentre as aplicações mais comuns envolvendo microarrays, pode-se destacar a classificação de amostras de tecido, essencial para a identificação correta da ocorrência de câncer. Essa classificação é realizada com a ajuda de algoritmos de Aprendizagem de Máquina. A escolha do algoritmo mais adequado para um dado problema não é trivial. Nesta tese de doutorado, estudou-se a utilização de meta-aprendizagem como uma solução viável. Os resultados experimentais atestaram o sucesso da aplicação utilizando um arcabouço padrão para caracterização dos dados e para a construção da recomendação. A partir de então, buscou-se realizar melhorias nesses dois aspectos. Inicialmente, foi proposto um novo conjunto de meta-atributos baseado em índices de validação de agrupamentos. Em seguida, estendeu-se o método de construção de rankings kNN para ponderar a influência dos vizinhos mais próximos. No contexto de meta-regressão, introduziu-se o uso de SVMs para estimar o desempenho de algoritmos de classificação. Árvores de decisão também foram empregadas para a construção da recomendação de algoritmos. Ante seu desempenho inferior, empregou-se um esquema de comitês de árvores, que melhorou sobremaneira a qualidade dos resultados
DOI:
10.11606/T.55.2010.tde-04012011-142551
Editor:
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Ciências Matemáticas e de Computação
Data de criação/publicação:
2010-10-26
Formato:
Adobe PDF
Idioma:
Português
Disponível na Biblioteca:
ICMC - Inst. Ciên. Mat. Computação (T B729ma e.1 )