Modelagem fuzzy para problemas de classificação com amostras não-factíveis

Página do item simplificado
dataload.collectionmapped02 - Mestrado - Ciência da Computaçãopt_BR
dataload.filenamenourau5003.pdfpt_BR
dataload.handlemapped123456789/50pt_BR
dataload.idpergamum177922pt_BR
dataload.idvirtuanourauvtls000210942pt_BR
dataload.idvirtuapergamumvtls000210942pt_BR
dataload.idvirtuapergamum.sameurlnourauSIMpt_BR
dataload.linknourauhttp://www.bibliotecadigital.uel.br/document/?code=vtls000210942pt_BR
dataload.linknourau.regularSIMpt_BR
dataload.linknourau.retificadohttp://www.bibliotecadigital.uel.br/document/?code=vtls000210942pt_BR
dataload.linknourau.size64.00pt_BR
dc.contributor.advisorBarbon Junior, Sylvio [Orientador]pt_BR
dc.contributor.authorFuzyi, Estefânia Mayumipt_BR
dc.contributor.bancaSampaio, Lucas Dias Hierapt_BR
dc.contributor.bancaSaito, Priscila Tiemi Maedapt_BR
dc.contributor.bancaBarbin, Douglas Fernandespt_BR
dc.coverage.spatialLondrinapt_BR
dc.date.accessioned2024-05-01T14:53:10Z
dc.date.available2024-05-01T14:53:10Z
dc.date.created2017.00pt_BR
dc.date.defesa14.02.2017pt_BR
dc.description.abstractResumo: Alguns modelos de classificação não lidam muito bem com amostras reais, devido a rigidez de seus limites ou a existência de amostras que não se encaixam perfeitamente no intervalo esperado Em contrapartida, a Lógica Fuzzy apresenta vantagens como a transição gradual entre a alta e baixa pertinência da amostra ao conjunto, além de ser um modelo descritivo de fácil entendimento e análise dos resultados Dessa forma, a proposta desse trabalho é verificar o uso dos modelos Fuzzy para classificação de amostras não-factíveis e comparar seu desempenho com algoritmos de Aprendizado de Máquina Com esse objetivo, os métodos foram aplicados ao problema de avaliação de qualidade de carne suína, que apresenta diferentes padrões de avaliação e amostras não-factíveis quando utilizada a lógica Clássica para classificação De acordo com os experimentos, no pior caso a lógica Clássica foi capaz de classificar 5,88% de um dataset de 36 amostras, enquanto a Fuzzy Top-Down subiu para 18,3% Em relação aos algoritmos de Aprendizado de Máquina, a Random Forest (RF) apresentou melhores resultados em comparação aos demais, com acurácias de 1% na maioria dos casos Porém, o Fuzzy Top-Down foi capaz de igualá-la ou até mesmo superá-la, como quando a RF obteve acurácia de 63,4% e o Fuzzy Top-Down de 1%, o que comprova sua aderência ao problemapt_BR
dc.description.abstractother1Abstract: Some classification models does not handle very well with real samples, because of its rigid thresholds and samples that do not fit perfectly in the expected interval On the other hand, the Fuzzy Logic has advantages like the smooth transition between full membership and no membership to a set, besides being a descriptive model with results of easy understanding In this way, this paper verifies the use of Fuzzy models to classify infeasible samples and compares its performance with Machine Learning algorithms For this purpose, theses methods were applied to pork quality assessment,which has different class grades and infeasible samples when classified by Classical Logic According to the experiments, in the worst case, the Classical Logic was able to classify only 5,88% of a dataset with 36 samples, while Fuzzy Top-Down increased to 18,3% Regarding Machine Learning algorithms, the Random Forest (RF) showed better results than others, with 1% accuracy in most cases However, Fuzzy Top-Down achieved the same or better results than RF, for instance when RF got 63,4% and Fuzzy Top-Down 1%, which address its adherence to the problempt_BR
dc.description.notesDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da Computaçãopt_BR
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/15642
dc.languagepor
dc.relation.coursedegreeMestradopt_BR
dc.relation.coursenameCiência da Computaçãopt_BR
dc.relation.departamentCentro de Ciências Exataspt_BR
dc.relation.ppgnamePrograma de Pós-Graduação em Ciência da Computaçãopt_BR
dc.subjectLógica difusapt_BR
dc.subjectReconhecimento de padrõespt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectAlimentospt_BR
dc.subjectQualidadept_BR
dc.subjectFuzzy logicpt_BR
dc.subjectPattern recognitionpt_BR
dc.subjectMachine learningpt_BR
dc.subjectArtificial intelligencept_BR
dc.subjectQualitypt_BR
dc.subjectFoodpt_BR
dc.titleModelagem fuzzy para problemas de classificação com amostras não-factíveispt_BR
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
5003.pdf
Tamanho:
6.97 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

02 - Mestrado - Ciência da Computação