Use este identificador para citar ou linkar para este item: http://repositorio.ufgd.edu.br/jspui/handle/prefix/4338
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisor1Amorim, Willian Paraguassu-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8746409982228678pt_BR
dc.contributor.referee1Cruz, Adailton José Alves da-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5432849212064284pt_BR
dc.contributor.referee2Táparo, Murilo-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5460572144651354pt_BR
dc.creatorLemke, Francisco Samuel-
dc.creatorThiry Neto, Paulo Alberto-
dc.date.accessioned2020-10-22T13:48:27Z-
dc.date.available2020-10-22T13:48:27Z-
dc.date.issued2013-04-09-
dc.identifier.citationLEMKE, Francisco Samuel; THIRY NETO, Paulo Alberto. Redução de template aplicado a K-Nearest Neighbor e Floresta de Caminhos Ótimos em problemas de reconhecimento de padrões. 2013. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Faculdade de Ciências Exatas e Tecnologias, Universidade Federal da Grande Dourados, Dourados, MS, 2013.pt_BR
dc.identifier.urihttp://repositorio.ufgd.edu.br/jspui/handle/prefix/4338-
dc.description.abstractAn of the classic algorithms in the area of learning and classication of data is the KNN (K Nearest Neighbors). The KNN algorithm is supervised learning, where the consultation result of a new instance is classied based on the dominant class of K nearest neighbors. The KNN has some disadvantages, as each new consultation will need to calculate the distance to all training samples to reach a certain ranking, requiring a high processing time. Another approach that has been used in pattern classication is the OPF (Optimum Path-Forest). OPF is a framework for data classication, supervised and unsupervised, particularly eective in image classication, which reduces problems of pattern classication to a problem of partitioning the vertices of a graph. One of the possible problems that may be encountered in the use of the technique OPF is the classication of large volumes of data. For the training phase is necessary to calculate the complete graph, in other words, the distance between all samples, which in a training base too large will cause a high processing time. The method Template Reduction (TR), the present paper aims to obtain a smaller model, a subset extracted from the training set. The main idea is to nd the TR border regions between dierent classes of the training set, and discard prototypes that are far from this region. In this study, we evaluated the use of TR, and after applying the KNN and OPF. We evaluate the results, the proposal TR, achieved satisfactory results, while not getting the best results of classication rate, yet is ecient, signicantly reducing the volume of data, and accelerating the learning process and classication.en
dc.description.resumoUm dos algoritmos clássicos da área de aprendizagem e classicação de dados é o KNN (K Nea- rest Neighbors). O algoritmo KNN é de aprendizado supervisionado, sendo o resultado da consulta de uma nova instância é classicado com base na classe majoritária dos K vizinhos mais próximos. O KNN apresenta algumas desvantagens, como a cada nova consulta será necessário calcular a dis- tância para todas as amostras de treinamento para chegar a uma determinada classicação, exigindo um elevado tempo de processamento. Outra abordagem que vem sendo utilizada na classicação de padrões é o OPF (Floresta de Caminhos Ótimos). OPF é um framework para classicação de dados supervisionados e não supervisionados, particularmente eciente na classicação de imagens, que reduz problemas de classicação de padrões para um problema de particionamento dos vértices de um grafo. Um dos possíveis problemas que pode ser encontrado no uso da técnica OPF, é a classicação de grandes volumes de dados. Para a fase de treinamento é necessário calcular o grafo completo, ou seja, a distância entre todas as amostras, o que em uma base de treinamento muito grande usará grande tempo de processamento. O método Template Reduction (TR), proposto neste trabalho, tem como objetivo obter um modelo menor, um subconjunto extraído do conjunto de treino. A ideia principal do TR é encontrar as regiões de fronteira entre as diferentes classes do conjunto de treino, e descartar os protótipos que estão longe desta região. Neste trabalho, avalia- mos o uso do TR, e após a aplicação ao KNN e OPF. Avaliamos, pelos resultados, que a proposta apresentada TR, obteve resultados satisfatórios, mesmo não conseguindo os melhores resultados de taxa de classicação, ainda se mostra eciente, diminuindo signicativamente o volume de dados, e acelerando o processo de aprendizagem e classicação.pt_BR
dc.description.provenanceSubmitted by Alison Souza (alisonsouza@ufgd.edu.br) on 2020-10-22T13:48:27Z No. of bitstreams: 1 FranciscoSamuelLemke - PauloAlbertoThiryNeto - restrito.pdf: 352788 bytes, checksum: cec7e8d9e3dcba878b9dd889a7f87626 (MD5)en
dc.description.provenanceMade available in DSpace on 2020-10-22T13:48:27Z (GMT). No. of bitstreams: 1 FranciscoSamuelLemke - PauloAlbertoThiryNeto - restrito.pdf: 352788 bytes, checksum: cec7e8d9e3dcba878b9dd889a7f87626 (MD5) Previous issue date: 2013-04-09en
dc.languageporpt_BR
dc.publisherUniversidade Federal da Grande Douradospt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentFaculdade de Ciências Exatas e Tecnologiapt_BR
dc.publisher.initialsUFGDpt_BR
dc.rightsAcesso Restritopt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectMachine learningen
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAOpt_BR
dc.titleRedução de template aplicado a K-Nearest Neighbor e Floresta de Caminhos Ótimos em problemas de reconhecimento de padrõespt_BR
dc.title.alternativeTemplate reduction applied to K-Nearest Neighbor and Optimum-Path Forest in problems pattern recognitionen
dc.typeTrabalho de Conclusão de Cursopt_BR
Aparece nas coleções:Sistemas de Informação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
FranciscoSamuelLemke - PauloAlbertoThiryNeto - restrito.pdf344,52 kBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.