<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

ROTULAÇÃO AUTOMÁTICA DE GRUPOS ATRAVÉS DO USO DE FILTROS DE GANHO DE INFORMAÇÃO DE ATRIBUTOS

dc.contributor.authorALENCAR, Marina dos Reis Barros
dc.date.accessioned2023-11-09T19:34:42Z
dc.date.available2023-11-09T19:34:42Z
dc.date.issued2023-11-09
dc.descriptionOrientador: Prof. Vinicius Ponte Machado Examinadora: Profa. Ticiana Linhares Coelho da Silva Examinador: Prof. Ricardo de Andrade Lira Rabêlopt_BR
dc.description.abstractResumo Identificar semelhanças nos dados que não foram rotulados, classificados ou categorizados é uma das funções do aprendizado não supervisionado. O agrupamento (do inglês clustering) é uma técnica que permite dividir automaticamente o conjunto de dados de acordo com uma similaridade. A grande vantagem do uso das técnicas de agrupamento é que, ao agrupar dados similares, pode-se descrever de forma mais eficiente e eficaz as características peculiares de cada um dos grupos identificados. Dessa forma, este trabalho tem como objetivo a interpretação desses grupos através de rótulos. O rótulo é um conjunto de valores relevantes que representam uma definição para um grupo. Esta abordagem utilizou técnicas com aprendizagem de máquina não supervisionada, aplicação dos filtros de ganho de informação através da seleção de atributos e um modelo de discretização. Na metodologia proposta foi aplicado o algoritmo não supervisionado para formação dos grupos e diferentes filtros de seleção de atributos para expor a relevância dos atributos e comparar o funcionamento deles. Também, para contribuir no processo de rotulação foi utilizado um método de discretização auxiliando no cálculo da variação de valores dos dados. O modelo proposto foi aplicado na rotulação das bases de dados disponíveis no repositório UCI, sendo elas, Íris, Seeds, Wine e Glass. Obtendo-se uma taxa de acerto média de 83.66% com desvio padrão médio de 4.98. Abstract Identifying similarities in data that has not been labeled, classified, or categorized is one of the functions of unsupervised learning. Clustering is a technique that allows you to automatically divide the data set according to similarity. The great advantage of using clustering techniques is that, by grouping similar data, it is possible to describe in a more efficient and effective way the peculiar characteristics of each of the identified groups. Thus, this work aims to interpret these groups through labels. The label is a set of relevant values that represent a definition for a group. This approach used techniques with unsupervised machine learning, application of information gain filters through the selection of attributes and a discretization model. In the proposed methodology, the unsupervised algorithm was applied to form the groups and different attribute selection filters to expose the relevance of the attributes and compare their functioning. Also, to contribute to the labeling process, a discretization method was used, helping to calculate the variation of data values. The proposed model was applied in the labeling of the databases available in the UCI repository, namely, Iris, Seeds, Wine and Glass. Obtaining an average hit rate of 83.66% with an average standard deviation of 4.98.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.identifier.urihttp://hdl.handle.net/123456789/3477
dc.language.isootherpt_BR
dc.subjectSistema operacional - Computaçãopt_BR
dc.subjectAgrupamento de dadospt_BR
dc.subjectRotulação de dadospt_BR
dc.subjectAprendizagem de máquinapt_BR
dc.subjectAgrupamento de dadospt_BR
dc.subjectRotulação de dadospt_BR
dc.subjectMachine learningpt_BR
dc.subjectGroupingpt_BR
dc.subjectLetteringpt_BR
dc.titleROTULAÇÃO AUTOMÁTICA DE GRUPOS ATRAVÉS DO USO DE FILTROS DE GANHO DE INFORMAÇÃO DE ATRIBUTOSpt_BR
dc.typePreprintpt_BR

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
MARINA - DISSERTAÇÃO FINAL.pdf
Tamanho:
6,13 MB
Formato:
Adobe Portable Document Format
Descrição:
Dissertação completa

Pacote de licença

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1,71 KB
Formato:
Item-specific license agreed upon to submission
Descrição: