Sistema de múltiplos classificadores em problemas de desbalanceamento de classes e grandes conjuntos de dados

• Processo: 11/16411-4
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de dezembro de 2011
• Data de Término da vigência: 30 de novembro de 2013
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Moacir Antonelli Ponti
• Beneficiário: Moacir Antonelli Ponti
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Município da Instituição Sede: São Carlos
• Bolsa(s) vinculada(s): 12/13493-2 - Implementação de um protótipo para a categorização automática de imagens e a detecção de anomalias, BP.TT
• Assunto(s): Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: Combinação de Classificadores | Reconhecimento de Padrões | Sistemas de Múltiplos Classificadores | Processamento Digital de Imagens

Resumo

Métodos de classificação comumente falham ao lidar com dois tipos de problemas comuns em aplicações reais: conjuntos de dados muito grandes, e o desbalanceamento de classes nos dados. Bases de dados com muitos elementos são cada vez mais comuns pela facilidade tecnológica em se adquirir e armazenar dados e pela natureza de certas aplicações como por exemplo em dados de transações financeiras, acesso a redes e bioinformática. Sistemas de múltiplos classificadores tem potencial tanto para paralelizar ou distribuir o processamento, quanto para permitir a subamostragem do conjunto de treinamento, tornando viável o uso de grandes bases de dados. Métodos derivados das técnicas de Bagging podem ser usados para gerar diversidade em múltiplos classificadores, treinados com pequenas quantidades de dados e de forma parelela, com resultado final similar ou superior à uma classificação simples. Métodos de múltiplos classificatores também tem potencial para minimizar o desbalanceamento de classes, por meio de métodos de amostragem aliados à técnicas de Boosting e estudos na área de concept drift. Esse projeto visa estudar os dois problemas citados e oferecer soluções baseadas em sistemas de múltiplos classificadores, com aplicações em diversas áreas. (AU)

Publicações científicas

(4)

(As publicações científicas contidas nesta página são originárias da Web of Science ou da SciELO, cujos autores mencionaram números dos processos FAPESP concedidos a Pesquisadores Responsáveis e Beneficiários, sejam ou não autores das publicações. Sua coleta é automática e realizada diretamente naquelas bases bibliométricas)

PONTI, MOACIR; NAZARE, TIAGO S.; THUME, GABRIELA S.. Image quantization as a dimensionality reduction procedure in color and texture feature extraction. Neurocomputing, v. 173, n. 2, SI, p. 385-396, JAN 15 2016. (11/22749-8, 11/16411-4)

PONTI, MOACIR; NAZARE, TIAGO S.; THUME, GABRIELA S.. . Neurocomputing, v. 173, p. 12-pg., 2016-01-15. (11/22749-8, 11/16411-4)

PONTI, JR., MOACIR P.. . IEEE Geoscience and Remote Sensing Letters, v. 10, n. 1, p. 67-70, JAN 2013. (11/16411-4)

COSTA, GABRIEL B. P.; PONTI, MOACIR; FRERY, ALEJANDRO C.; ZHOU, ZH; SCHWENKER, F. . PARTIALLY SUPERVISED LEARNING, PSL 2013, v. 8193, p. 8-pg., 2013-01-01. (11/16411-4, 12/12524-1)