REVISITANDO O PROBLEMA DE CLASSIFICAÇÃO DE PADRÕES
NA PRESENÇA DE OUTLIERS USANDO TÉCNICAS DE REGRESSÃO
ROBUSTA
Autor(es):
BARROS, ANA LUIZA BESSA DE PAULA
Palavras Chaves:
Não informado
Ano de Publicação:
2013
Resumo:
Nesta tese, aborda-se o problema de classificação de dados que estão contaminados com padrões atípicos. Tais padrões, genericamente chamados de outliers, são onipresentes em conjunto de dados multivariados reais, porém sua detecção a priori (i.e antes de treinar um classificador) é uma tarefa de difícil realização. Como conseqüência, uma abordagem reativa, em que se desconfia da presença de outliers somente após um classificador previamente treinado apresentar baixo desempenho, é a mais comum. Várias estratégias podem então ser levadas a cabo a fim de melhorar o desempenho do classificador, dentre elas escolher um classificador mais poderoso computacionalmente ou promover uma limpeza dos dados, eliminando aqueles padrões difíceis de categorizar corretamente. Qualquer que seja a estratégia adotada, a presença de outliers sempre irá requerer maior atenção e cuidado durante o projeto de um classificador de padrões. Tendo estas dificuldades em mente, nesta tese são revisitados conceitos e técnicas provenientes da teoria de regressão robusta, em particular aqueles relacionados à estimação M, adaptando-os ao projeto de classificadores de padrões capazes de lidar automaticamente com outliers. Esta adaptação leva à proposição de versões robustas de dois classificadores de padrões amplamente utilizados na literatura, a saber, o classificador linear dos mínimos quadrados (least squares classifier, LSC) e a máquina de aprendizado extremo (extreme learning machine, ELM). Através de uma ampla gama de experimentos computacionais, usando dados sintéticos e reais, mostra-se que as versões robustas dos classificadores supracitados apresentam desempenho consistentemente superior aos das versões originais. Palavras-chave: Classificação de padrões, outliers,mínimos quadrados ordinário, regressão robusta, estimação-M, máquina de aprendizado extremo.
Abstract:
This thesis addresses the problem of data classification when they are contaminated with atypical patterns. These patterns, generally called outliers, are omnipresent in real-world multivariate data sets, but their a priori detection (i.e. before training the classifier) is a difficult task to perform. As a result, the most common approach is the reactive one, in which one suspects of the presence of outliers in the data only after a previously trained classifier has achieved a low performance. Several strategies can then be carried out to improve the performance of the classifier, such as to choose a more computationally powerful classifier and/or to remove the detected outliers from data, eliminating those patterns which are difficult to categorize properly. Whatever the strategy adopted, the presence of outliers will always require more attention and care during the design of a pattern classifier. Bearing these difficulties in mind, this thesis revisits concepts and techniques from the theory of robust regression, in particular those related to M-estimation, adapting them to the design of pattern classifiers which are able to automatically handle outliers. This adaptation leads to the proposal of robust versions of two pattern classifiers widely used in the literature, namely, least squares classifier (LSC) and extreme learning machine (ELM). Through a comprehensive set of computer experiments using synthetic and real-world data, it is shown that the proposed robust classifiers consistently outperform their original versions. Key words: Pattern classifiers, outliers, ordinary least squares, robust regression,M-estimation, extreme learning machine.
Tipo do Trabalho:
Tese
Referência:
BARROS, ANA LUIZA BESSA DE PAULA. REVISITANDO O PROBLEMA DE CLASSIFICAÇÃO DE PADRÕES
NA PRESENÇA DE OUTLIERS USANDO TÉCNICAS DE REGRESSÃO
ROBUSTA. 2013. 152 f. Tese (Doutorado em 2013) - Universidade Estadual do Ceará, , 2013. Disponível em: Acesso em: 21 de maio de 2024
Universidade Estadual do Ceará - UECE | Departamento de Tecnologia da Informação e Comunicação - DETIC
Política de Privacidade e Segurança Build 1
