Título: Seleção de Dados para LVQ através de Aprendizado Exaustivo
Autores: Peres, Rodrigo T.; Pedreira, Carlos E.
Resumo: Neste artigo é proposta uma metodologia baseada em aprendizado exaustivo para seleção de dados em LVQ. Treinar um modelo com um subconjunto dos dados apropriadamente selecionado a partir do conjunto de treinamento pode ser uma estratégia interessante, e, possivelmente, produzir uma melhora no resultado de generalização. O objetivo do algoritmo proposto é buscar a eliminação de dados ruidosos causando o mínimo de dano possível ao restante da amostra. Aqui se considera um ruído do tipo ‘contaminação da amostra’, ou seja, uma inversão do sinal de saída. A idéia central é submeter os dados a uma experimentação exaustiva de modelos e buscar aqueles que sejam relevantes, tendo como base a correlação entre o seu erro e o erro do restante dos dados. Feita a seleção dos dados, a atualização dos protótipos é realizada com um subconjunto dos dados originalmente disponíveis. Experimentos numéricos foram realizados com dados controlados e reais, e os resultados obtidos foram muito interessantes, mostrando claramente a potencialidade do método proposto.
Palavras-chave:
Páginas: 6
Código DOI: 10.21528/CBRN2005-111
Artigo em PDF: CBRN2005_111.pdf
Arquivo BibTex: CBRN2005_111.bib