Show simple item record

dc.contributor.authorLara, Daiany Franciscapt_BR
dc.contributor.otherRamirez Pozo, Aurora Trinidad, 1959-pt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciencias Exatas. Programa de Pós-Graduaçao em Informáticapt_BR
dc.date.accessioned2013-09-11T12:20:31Z
dc.date.available2013-09-11T12:20:31Z
dc.date.issued2013-09-11
dc.identifier.urihttp://hdl.handle.net/1884/32025
dc.description.abstractResumo: A classificação tem o objetivo de rotular eventos e objetos de acordo com classes preestabelecidas. No entanto, alguns algoritmos perdem a capacidade de prediçao, quando o conjunto de dados possui uma distribuiçao desbalanceada entre suas classes. Para tentar resolver esse problema diversos metodos tem sido propostos na literatura. O presente trabalho tem como objetivo analisar e comparar os metodos mais conhecidos que se propoe a resolver o problema de classificação com bases desbalanceadas. Para isto, os metodos foram testados com os classificadores tradicionais como: Naive Bayes, Bayes Net, SMO, MultilayerPerceptron, J48 e JRip. As metricas de avaliaçao consideradas foram RecallP (verdadeiros positivos), RecallN (Verdadeiros negativos) e finalmente a taxa de acurada. Para realizar esta analise, os testes foram efetuados em 13 bases provenientes do UCI Machine Learning Repository e tambem em dois conjuntos de bases do "mundo real", que sao bases construídas com informações sobre defeitos em sistemas de Orientacao a Aspectos. O primeiro conjunto são cinco bases do repositório NASA Metrics Data Project, sendo elas cml, jml, kcl, kc2 e pcl. O segundo conjunto, sao três sistemas Orientados a Aspecto que sao: Ibatis, HW (HealthWatcher) e MM (MobileMedia). Os resultados demonstram que e possível melhorar a taxa de classificacao, mas e difícil dizer o metodo que se comporta melhor em bases do mundo real, pois tudo depende de como o classificador generaliza a base, principalmente com a presencça de dados ruidosos. As bases do UCI, apresentam melhores resultados em relaçao às bases de Engenharia de Software. Isto pode ser explicado em funcao da natureza dos dados reais que costumam conter mais ruídos.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.subjectMineração de dados (Computação)pt_BR
dc.subjectInteligencia artificialpt_BR
dc.subjectAprendizado do computadorpt_BR
dc.titleEstudos empíricos dos métodos de balanceamento para a classificaçãopt_BR
dc.typeDissertaçãopt_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record