Algoritmos Evolutivos para Agregar Classificadores e Agrupadores

• Processo: 10/20830-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de julho de 2012
• Data de Término da vigência: 30 de junho de 2015
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Eduardo Raul Hruschka
• Beneficiário: Luiz Fernando Sommaggio Coletta
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Algoritmos evolutivos Mineração de dados
• Palavra(s)-Chave do Pesquisador: Agrupadores | Algoritmos Evolutivos | Classificadores | Mineração de Dados

Resumo

Técnicas de mineração de dados têm um importante papel em diversas áreas do conhecimento humano. Para alcançar melhores resultados a partir dessas ferramentas, diversas abordagens baseadas em agregadores (ensembles) têm sido propostas e utilizadas na prática. No entanto, poucos trabalhos abordam a agregação de algoritmos de diferentes paradigmas de aprendizagem, como algoritmos de agrupamento e classificação. De fato, a agregação de classificadores e agrupadores tem como motivação as diversas vantagens inerentes a cada uma dessas tarefas. Em especial, resultados de agrupamento podem ajudar a aumentar a precisão e a capacidade de generalização de classificadores, enquanto que a informação das classes pode auxiliar na geração de um agrupamento de melhor qualidade. Alguns trabalhos encontrados na literatura agregam agrupamento e classificação de maneira sequencial, e.g., primeiro realizam o agrupamento e subsequentemente realizam a classificação sobre a estrutura de grupos obtida. Mais recentemente, alguns outros trabalhos têm agregado simultaneamente essas duas tarefas. O principal objetivo desse projeto de pesquisa é investigar e desenvolver algoritmos que agreguem classificadores e agrupadores para problemas de classificação. Especificamente, dado o conhecido potencial de algoritmos evolutivos na resolução de problemas de mineração de dados, serão estudadas e propostas técnicas evolutivas para esse problema.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

DA SILVA, NADIA FELIX F.; COLETTA, LUIZ F. S.; HRUSCHKA, EDUARDO R.. A Survey and Comparative Study of Tweet Sentiment Analysis via Semi-Supervised Learning. ACM COMPUTING SURVEYS, v. 49, n. 1, JUL 2016. (13/07375-0, 10/20830-0)

FELIPE DA SILVA, NADIA FELIX; COLETTA, LUIZ F. S.; HRUSCHKA, EDUARDO R.; HRUSCHKA, JR., ESTEVAM R.. Using unsupervised information to improve semi-supervised tweet sentiment classification. INFORMATION SCIENCES, v. 355, p. 348-365, AUG 10 2016. (13/07375-0, 10/20830-0)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

COLETTA, Luiz Fernando Sommaggio. Abordagens para combinar classificadores e agrupadores em problemas de classificação. 2015. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.