A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

F USION O F C ONTINUOUS -V ALUED O UTPUTS Equipe: Henrique Lins (hsmpl) João Pascoal Neto (jrpn) Mário Barbosa (mbaj) Tiago Farias (tfs)

Apresentações semelhantes


Apresentação em tema: "F USION O F C ONTINUOUS -V ALUED O UTPUTS Equipe: Henrique Lins (hsmpl) João Pascoal Neto (jrpn) Mário Barbosa (mbaj) Tiago Farias (tfs)"— Transcrição da apresentação:

1 F USION O F C ONTINUOUS -V ALUED O UTPUTS Equipe: Henrique Lins (hsmpl) João Pascoal Neto (jrpn) Mário Barbosa (mbaj) Tiago Farias (tfs)

2 R OTEIRO Introdução Adquirindo scores Scores discriminantes Estimadores de Laplace Combinadores Conscientes à Classe Não treináveis Treináveis Combinadores Indiferentes à Classe Templates de Decisão Combinador Dempster-Shafer

3 I NTRODUÇÃO Viável para vetores de características contínuas Utiliza vários classificadores diferentes Cada classificador gera um score para cada classe Scores são armazenados em uma matriz conhecida como Perfil de Decisão (DP)

4 I NTRODUÇÃO Dimensão da DP é L x C onde L é a quantidade de classificadores e C é a quantidade de classes Cada score pertence aos reais no intervalo [0,1] Para cada coluna (classe) é calculado o score μ(x) A classe que possuir o maior μ(x) é a escolhida

5 I NTRODUÇÃO Espaço de Características Intermediário Scores iniciais são colocados nesse espaço Outro classificador gera uma class label

6 A DQUIRINDO SCORES Alguns exemplos Classificadores discriminantes Classificador Parzen Softmax Função softmax normaliza resultados gerados Score 0 = Não há suporte para a classe Score 1 = Suporte máximo para a classe

7 A DQUIRINDO SCORES DE PROBABILIDADES Scores probabilísticos são mais confiáveis Vários algoritmos LDC QDC Convergência para função softmax Softmax adaptado para problemas de 2 classes

8 R EDES NEURAIS E CLASSIFICADORES K ERNEL Para uma rede neural (RN) com c saídas Saídas denotadas por (y 1, y 2,..., y c ) | y i є R, para i = 1, 2,..., c. Alvo denotado por (t 1,..., t c ) | t i є {0, 1}, para i = 1, 2,..., c. AQUI!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

9 E STIMADOR DE L APLACE Árvores de estimativas de probabilidades (PETs) Calcula com precisão probabilidades a posteriori Estimativa da probabilidade utiliza-se de proporção de classes do conjunto de treinamento PET não é confiável para poucos elementos Usa-se a correção de Laplace para resolver este problema Ajusta as estimativas para evitar extremos

10 E STIMADOR DE L APLACE Suavização da regularização do estimador Utilização de uma parametro m ( m-estimator ) m muito grande, probabilidade restrita m muito pequeno, falta de regularização m x P(w j ) ≈ 10 é considerado a melhor alternativa

11 E STIMADOR DE L APLACE Adaptação de Ting e Witten Onde ω* é a classe majoritária Utilizando distâncias Baseado no k-nn

12 C OMBINADORES C ONSCIENTES À C LASSE Divididos em duas categorias Não-treináveis Treináveis Combinadores não-treináveis Sem parâmetros adicionais O conjunto final já está preparado Operações diretas no Perfil de Decisão Combinadores treináveis Combinações de pesos Integral Fuzzy

13 C OMBINADORES N ÃO -T REINÁVEIS Geram o μ(x) para cada coluna (classe) da DP Aplicação de uma combinação sobre a coluna Média Simples Máximo Média cortada ( trimmed mean ) Utiliza um percentual α para “podar” o conjunto Produto

14 C OMBINADORES N ÃO -T REINÁVEIS Média Generalizada α = -∞ (mínimo) α = -1 (média harmônica) α = 0 (média geométrica) α = -1 (média aritmética) α = -∞ (máximo) O “otimismo” do combinador cresce com o α

15 C OMBINADORES N ÃO -T REINÁVEIS

16 OWA ( Ordered Weighted Averaging ) Conjunto de L coeficientes Um coeficiente para cada classificador Trabalha com colunas do DP(x) separadamente Coluna organizada em ordem decrescente Seja b um vetor de coeficientes

17 C OMBINADORES N ÃO -T REINÁVEIS b varia de acordo com o combinador escolhido Se L = 5 e o operador usado é o trimmed mean b = [0, 1/3, 1/3, 1/3, 0] (transposta)

18 C OMBINADORES T REINÁVEIS Média ponderada Três grupos baseados no número de pesos L pesos. Um peso para cada classificador (c x L) pesos. Um peso para cada conjunto {classe, classificador} (c x c x L) pesos. DEPOIS!!

19 C OMBINADORES T REINÁVEIS Integral Fuzzy Gera bons resultados de classficação Confronta competência contra o suporte mais alto Trabalha com subconjunto de classificadores medida fuzzy = “força” de cada subconjunto Para L classificadores, existem (2^k) – 1 subconjuntos Logo, são (2^k) – 1 medidas fuzzy

20 C OMBINADORES T REINÁVEIS

21 C OMBINADORES I NDIFERENTES À C LASSE Geram μ j (x) usando todos os scores da DP


Carregar ppt "F USION O F C ONTINUOUS -V ALUED O UTPUTS Equipe: Henrique Lins (hsmpl) João Pascoal Neto (jrpn) Mário Barbosa (mbaj) Tiago Farias (tfs)"

Apresentações semelhantes


Anúncios Google