DATA SELECTION FOR LVQ / SELEÇÃO DE DADOS EM LVQ
AUTOR(ES)
RODRIGO TOSTA PERES
DATA DE PUBLICAÇÃO
2004
RESUMO
Nesta dissertação, propomos uma metodologia para seleção de dados em modelos de Aprendizado por Quantização Vetorial, referenciado amplamente na literatura pela sigla em inglês LVQ. Treinar um modelo (ajuste dentro-daamostra) com um subconjunto selecionado a partir do conjunto de dados disponíveis para o aprendizado pode trazer grandes benefícios no resultado de generalização (fora-da-amostra). Neste sentido, é muito importante realizar uma busca para selecionar dados que, além de serem representativos de suas distribuições originais, não sejam ruído (no sentido definido ao longo desta dissertação). O método proposto procura encontrar os pontos relevantes do conjunto de entrada, tendo como base a correlação do erro de cada ponto com o erro do restante da distribuição. Procura-se, em geral, eliminar considerável parte do ruído mantendo os pontos que são relevantes para o ajuste do modelo (aprendizado). Assim, especificamente em LVQ, a atualização dos protótipos durante o aprendizado é realizada com um subconjunto do conjunto de treinamento originalmente disponível. Experimentos numéricos foram realizados com dados simulados e reais, e os resultados obtidos foram muito interessantes, mostrando claramente a potencialidade do método proposto.
ASSUNTO(S)
selecao de dados learning vector quantization aprendizado exaustivo aprendizado por quantizacao vetorial redes neurais classificacao de padroes exaustive learning data selection pattern classification neural networks
ACESSO AO ARTIGO
Documentos Relacionados
- Seleção de características apoiada por mineração visual de dados
- Seleção Conjunta de Atributos e Exemplos em Mineração de Dados.
- Selection index using simulated data of Nile tilapia
- "Seleção de atributos importantes para a extração de conhecimento de bases de dados"
- The use of expert knowledge and data bank for drill bits selection