Título: Um novo método baseado em protótipos para seleção de pontos de referência em máquinas de aprendizado mínimo
Autores: Florencio, Jose;Luiz Dias, Madson;Rocha Neto, Ajalmar
Resumo:
Este trabalho introduz uma nova proposta de seleção de pontos de referência (reference points, RPs) para máquinas de aprendizado mínimo (Minimal Learning Machine, MLM) aplicadas a problemas de classificação com a utilização do algoritmo k-médias. O procedimento básico de treinamento do MLM está relacionado a seleção de um subconjunto de padrões de treinamento, chamados de pontos de referência. Tal subconjunto é utilizado para a realização de um mapeamento entre as configurações geométricas das amostras (pontos de entrada) e seus rótulos (pontos de saída) correspondentes. A proposição original sugere que a seleção dos pontos de referência seja feita de maneira aleatória, deixando a cargo do utilizador apenas a definição do número de pontos a serem utilizados. O método de busca em grade, combinado com validação cruzada pode ser utilizados para seleção automática da quantidade de pontos. Porém, esse tipo de método de seleção pode acarretar em uma escolha inadequada dos pontos de referência, fazendo com que amostras ruidosas ou mesmo discrepantes componham tal subconjunto. A fim de superar o problema na escolha de pontos de referência, o método k-médias assume um papel relevante na seleção de pontos de referência de MLM para problemas de classificação. A ideia principal é remover do conjunto de pontos de referência, amostras discrepantes, padrões não-relevantes ou aqueles que podem estar corrompidos com o ruído e, assim, permitir que o classificador possa alcançar acurácias mais elevadas. A proposta foi validada com a realização de experimentos com conjuntos de dados do mundo real. A técnica foi capaz de reduzir significativamente o número de pontos de referência, bem como manter a capacidade de generalização equivalente ou superior a versão convencional de seleção de pontos de referência, quando comparada a abordagens iniciais.
Palavras-chave:
Aprendizagem de máquina;Máquinas de aprendizado mínimo;Pontos de Referência;k-médias.
Páginas: 12
Código DOI: 10.21528/CBIC2017-90
Artigo em pdf: cbic-paper-90.pdf
Arquivo BibTeX: cbic-paper-90.bib