Choosing the most effective pattern classification model under learning-time constraint

• Processo: 15/12838-4
• Modalidade de apoio: Auxílio à Pesquisa - Publicações científicas - Artigo
• Data de Início da vigência: 01 de setembro de 2015
• Data de Término da vigência: 29 de fevereiro de 2016
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: João Paulo Papa
• Beneficiário: João Paulo Papa
• Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Assunto(s): Aprendizado computacional Reconhecimento de padrões Processamento de imagens Publicações de divulgação científica Artigo científico
• Palavra(s)-Chave do Pesquisador: Processamento de imagens | Reconhecimento de Padrões | Aprendizado de máquina

Resumo

Atualmente, grandes bases de dados são comuns e demandam técnicas de análise de padrões mais rápidas e eficazes. Entretanto, metodologias para comparar classificadores usualmente não consideram restrições de tempo requeridas pelas aplicações. Este trabalho apresenta uma metodologia para comparar classificadores com relação a sua habilidade em aprender a partir de erros de classificação em grandes conjuntos de aprendizado, dado um tempo limite para tal tarefa. Tecnologias mais rápidas podem requerer mais amostras de treinamento, mas somente quando elas são mais eficazes é que atingirão melhores performances em conjuntos de testes ainda não vistos. Demonstramos este resultado usando várias técnicas, múltiplas bases de dados, e tempos de aprendizado usualmente requeridos pelas aplicações. (AU)