DSTARS : uma nova abordagem para regressão multi-target

Página do item simplificado
dataload.collectionmapped02 - Mestrado - Ciência da Computaçãopt_BR
dataload.filenamenourau5883.pdfpt_BR
dataload.handlemapped123456789/50pt_BR
dataload.idpergamum95501pt_BR
dataload.idvirtuanourauvtls000218364pt_BR
dataload.idvirtuapergamumvtls000218364pt_BR
dataload.idvirtuapergamum.sameurlnourauSIMpt_BR
dataload.linknourauhttp://www.bibliotecadigital.uel.br/document/?code=vtls000218364pt_BR
dataload.linknourau.regularSIMpt_BR
dataload.linknourau.retificadohttp://www.bibliotecadigital.uel.br/document/?code=vtls000218364pt_BR
dataload.linknourau.size64.00pt_BR
dc.contributor.advisorBarbon Junior, Sylvio [Orientador]pt_BR
dc.contributor.authorMastelini, Saulo Martiellopt_BR
dc.contributor.bancaZarpelão, Bruno Bogazpt_BR
dc.contributor.bancaKaster, Daniel dos Santospt_BR
dc.coverage.spatialLondrinapt_BR
dc.date.accessioned2024-05-01T11:34:21Z
dc.date.available2024-05-01T11:34:21Z
dc.date.created2018.00pt_BR
dc.date.defesa27.02.2018pt_BR
dc.description.abstractResumo: Tradicionalmente, o aprendizado de máquina lida com problemas contendo uma única variável de saída, categórica ou contínua, resultando, dessa forma, em problemas de classificação e regressão, respectivamente No entanto, muitos problemas da vida real associam um mesmo conjunto de variáveis descritivas a múltiplas variáveis de saída Quando tais variáveis de saída, ou alvos, são contínuos, a tarefa preditiva é chamada de regressão multitarget (MT) Uma opção é tratar cada alvo como um problema separado, empregando uma abordagem single-target (ST) Todavia, nesse tipo de problema, além das relações entre as variáveis de entrada e saída, podem existir inter-dependências entre os alvos Assim, a exploração desses relacionamentos pode levar ao aumento de desempenho preditivo Nesse trabalho um novo método, chamado Deep Structure for Tracking Asynchronous Regressor Stacking (DSTARS), é proposto A ideia principal do DSTARS é empregar múltiplas camadas de regressores empilhados para fornecer aproximações dos alvos, sendo que estas são utilizadas como atributos descritivos adicionais para o problema tratado No método proposto, um número diferente de camadas de regressores é determinado para cada alvo de forma a explorar diferentes níveis de dependências estatísticas entre as saídas Adicionalmente, o DSTARS explicitamente mensura as dependências estatísticas entre os alvos com uma métrica não-linear de importância de variáveis e, dessa forma, trata separadamente as saídas sem correlação como um problema ST O método proposto foi avaliado em dezoito bases de dados de benchmarking, contra três abordagens da literatura para regressão MT, utilizando quatro técnicas de regressão Os resultados obtidos demonstraram que o DSTARS foi capaz de obter resultados estatisticamente superiores às outras abordagens, obtendo os menores valores de erro preditivo na maioria dos casos avaliadospt_BR
dc.description.abstractother1Abstract: Machine learning traditionally deals with problems that present a single categorical or continuous output variable Thus, it results in classification and regression tasks, respectively However, many real-life problems associate a set of descriptive features to multiple output variables When these outputs, or targets, are continuous the related predictive task is called multi-target regression (MTR) A possible approach to model these problems is to treat each target as a separate task, by employing a single-target (ST) strategy Nevertheless, in MTR problems, besides the input-output relationships, inter-output dependencies may exist So, the exploration of these inter-target dependencies could lead to better predictive performance This work proposes a novel MTR method called Deep Structure for Tracking Asynchronous Regressor Stacking (DSTARS) The DSTARS’ main idea is to employ multiple layers of stacked regressors to provide continuously improved targets’ approximations These estimates are used as additional descriptive attributes to the dealt problem In the proposed method, each target has a different number of regressor layers to model different levels of statistical dependencies among the outputs Additionally, DSTARS explicitly measures the statistical dependencies between the targets with a non-linear variable importance metric Thus, uncorrelated targets are treated as independent ST tasks The proposed method was evaluated on eighteen MTR benchmark datasets, against three approaches for MTR consolidated in the literature Besides, four regression techniques were combined with the MTR methods The obtained results showed that the DSTARS was statistically better than the other approaches and also obtained the smallest prediction errors in most of the casespt_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/123456789/8522
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.subjectAprendizado do computadorpt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectCiência da computaçãopt_BR
dc.subjectDSTARSpt_BR
dc.subjectRegressão multi-targetpt_BR
dc.subjectMachine learningpt_BR
dc.subjectArtificial intelligencept_BR
dc.subjectMulti-target regressionpt_BR
dc.subjectMulti-output regressionpt_BR
dc.titleDSTARS : uma nova abordagem para regressão multi-targetpt_BR
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
5883.pdf
Tamanho:
1.16 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

02 - Mestrado - Ciência da Computação