Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

A new data characterization for selecting clustering algorithms using meta-learning

Texto completo
Autor(es):
Pimentel, Bruno Almeida [1] ; de Carvalho, Andre C. P. L. F. [1]
Número total de Autores: 2
Afiliação do(s) autor(es):
[1] Univ Sao Paulo, Inst Ciencias Matemat & Comp, Sao Carlos, SP - Brazil
Número total de Afiliações: 1
Tipo de documento: Artigo Científico
Fonte: INFORMATION SCIENCES; v. 477, p. 203-219, MAR 2019.
Citações Web of Science: 2
Resumo

Meta-learning has been successfully used for algorithm recommendation tasks. It uses machine learning to induce meta-models able to predict the best algorithms for a new dataset. In this paper, meta-models are applied to a set of meta-features, describing a dataset, to predict the performance of clustering algorithms applied to this dataset. The paper also proposes a new set of meta-features, based on correlation and dissimilarity measures. Experimental results show that these meta-features improve the recommendation. Additionally, this paper evaluates the importance of each meta-feature for the recommendation. (C) 2018 Elsevier Inc. All rights reserved. (AU)

Processo FAPESP: 16/18615-0 - Aprendizado de máquina avançado
Beneficiário:André Carlos Ponce de Leon Ferreira de Carvalho
Linha de fomento: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
Beneficiário:José Alberto Cuminato
Linha de fomento: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
Processo FAPESP: 17/20265-0 - Uso de meta-aprendizado para seleção de algoritmos em problemas de agrupamento
Beneficiário:Bruno Almeida Pimentel
Linha de fomento: Bolsas no Brasil - Pós-Doutorado