English

CIn - Centro de Informática UFPE




Eventos Relacionados

Defesa de Dissertação de Mestrado Nº 1.224: Arquitetura Híbrida para Otimização Multi-Objetivo de SVMs

O trabalho será apresentado pelo aluno Péricles Barbosa Cunha de Miranda dia 22, às 13h, na sala B020 Início: 22/02/2013 às 13:00 Término: 22/02/2013 às 15:00 Local: Sala B020

Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado  Nº 1.224
 
Aluno: Péricles Barbosa Cunha de Miranda
Orientador: Prof.  Ricardo Bastos Cavalcante Prudêncio
Título: Arquitetura Híbrida para Otimização Multi-Objetivo de SVMs
Data: 22/2/2013
Hora/Local: 13:00h – Sala B020
Banca Examinadora:
Prof. Cleber Zanchettin  (UFPE / CIn)
Prof. André Luís Vasconcelos Coelho  (UNIFOR / Centro de Ciências Tecnológicas)
Prof. Ricardo Bastos Cavalcante Prudêncio  (UFPE / CIn)
 
RESUMO:
 
Vem sendo dada grande atenção às Máquinas de Vetor de Suporte (SVMs) devido à sua fundamentação teórica e seu bom desempenho empírico quando comparada com outros algoritmos de aprendizado em diferentes aplicações. Porém, seu bom desempenho depende fortemente da escolha adequada de seus parâmetros. Como a abordagem de tentativa e erro se torna impraticável devido às infinitas combinações entre os possíveis parâmetros, a seleção de parâmetros passou a ser tratada como um problema de otimização, de modo que o objetivo é encontrar a combinação de parâmetros mais adequada para um determinado problema.
Embora a utilização de algoritmos de otimização e busca, aplicada à seleção de parâmetros de SVM, seja considerada interessante, ela pode se tornar inviável caso o número de parâmetros a serem selecionados aumente consideravelmente. Uma alternativa seria o uso de Meta-Aprendizado, que trata a tarefa de seleção de parâmetros como uma tarefa de aprendizado supervisionado. Cada exemplo de treinamento para o meta-aprendizado (meta-exemplo) armazena características de problemas passados e o desempenho obtido pelas configurações de
parâmetros candidatas. Este conjunto de meta-exemplos forma a meta-base, sendo esta utilizada para auxiliar no módulo de sugestão ou meta-aprendiz. O meta-aprendiz tem a função de prever as configurações de parâmetros mais adequadas para um problema novo baseado em
suas características. Deste modo, meta-aprendizado se torna uma alternativa menos custosa comparada aos algoritmos de otimização, pois faz uso de execuções passadas no processo de sugestão. Nesta proposta, as sugestões do meta-aprendiz vão ser utilizadas como soluções iniciais da técnica de busca, sendo esta responsável pelo refinamento das soluções sugeridas. Neste trabalho, os parâmetros da SVM a serem otimizados são o g da kernel RBF e a constante de regularização C, que apresentam forte influência no desempenho da SVM. Neste trabalho visa a criação de uma meta-base, para classificação, com 40 meta-exemplos, sendo cada exemplo composto por 399 configurações de (g, C).
Neste trabalho, foi proposto um estudo experimental da combinação de meta-aprendizado com algoritmos de otimização e busca, inspirados em enxames de partículas, com múltiplos objetivos aplicado ao problema de seleção de parâmetros de SVMs. Foram utilizados 5 algoritmos de otimização considerados benchmark na área objetivando avaliar o desempenho destes algoritmos com/sem o uso de meta-aprendizado.
 
Palavras-chave: Otimização Multi-Objetivo, Otimização por Enxame de Partículas, Meta-
Aprendizado, Máquinas de Vetor de Suporte, Seleção de Parâmetros
  • © Centro de Informática UFPE - Todos os direitos reservados
    Tel +55 81 2126.8430 - Cidade Universitária - 50740-560 - Recife/PE
Plano4 Consultoria Web