Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/17565
Files in This Item:
File Description SizeFormat 
renanmottagoulart.pdf6.69 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Fonseca Neto, Raul-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3572434390881704pt_BR
dc.contributor.advisor-co1Borges, Carlos Cristiano Hasenclever-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/2487554612123446pt_BR
dc.contributor.advisor-co2Villela, Saulo Moraes-
dc.contributor.advisor-co2Latteshttp://lattes.cnpq.br/3358075178615535pt_BR
dc.contributor.referee1Freire, Wilhelm Passarella-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/8621487041613032pt_BR
dc.contributor.referee2Fonseca, Leonardo Goliatt da-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/9030707448549156pt_BR
dc.contributor.referee3Braga, Antônio de Padua-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/1130012055294645pt_BR
dc.contributor.referee4Torres, Luiz Carlos Bambirra-
dc.contributor.referee4Latteshttp://lattes.cnpq.br/8559513813180335pt_BR
dc.creatorGoulart, Renan Motta-
dc.creator.Latteshttp://lattes.cnpq.br/2427817926512510pt_BR
dc.date.accessioned2024-10-29T15:54:56Z-
dc.date.available2024-10-29-
dc.date.available2024-10-29T15:54:56Z-
dc.date.issued2024-09-05-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/17565-
dc.description.abstractBinary Classification is an essential task in the field of Machine Learning, where finding a classifier with high accuracy and generalization performance is one of its central problems. This research studies the binary classification problem from a geometric perspective, producing new insights through two main approaches. The first approach is related to the development of evolutionary algorithms and the use of the spherical coordinate system. This part of the research resulted in two evolutionary algorithms: the first, a large-margin classifier, and the second, a classifier that approximates the analytical center. The second approach, based on Computational Geometry, produced an efficient method, which requires finite time, to analyze the relevance of instances in a binary classification problem. This is achieved by reducing the problem to determining if a point is an extreme point of a convex cloud. As a consequence of this reduction, an efficient technique, also capable of being executed in finite time, was developed to determine if a binary classification problem is linearly separable in the input or feature space for a chosen kernel function. It is important to highlight that both the primal and dual representation spaces were considered during the development of these methods, enabling the use of an implicit mapping. The obtained results are competitive with other methods that represent the current state of the art for binary classification.pt_BR
dc.description.resumoClassificação binária é um problema essencial na área de Aprendizado de Máquina, na qual encontrar classificadores com um alto nível de acurácia e poder de generalização na predição de novos dados é um de seus principais objetivos. Esta pesquisa estudou o problema de classificação binária segundo uma perspectiva geométrica, produzindo novos resultados segundo duas abordagens. A primeira abordagem está relacionada ao uso da Computação Evolucionista e de um sistema esférico de representação de coordenadas resultando no desenvolvimento de dois algoritmos evolutivos: o primeiro sendo um classificador de larga margem; e o segundo um classificador que aproxima o cálculo do centro analítico. A segunda abordagem envolveu conceitos de Geometria Computacional produzindo um método eficiente, e que termina em tempo finito, para determinar quais instâncias de um problema são relevantes. Para tanto, foi feita uma redução deste problema ao problema de determinar se um ponto é extremo em uma nuvem de pontos. Como consequência deste estudo desenvolveu-se outra técnica eficiente, e que também termina em tempo finito, para determinar se um problema de classificação binária apresenta separabilidade linear no espaço de entrada ou no espaço de características para uma função kernel escolhida. É importante destacar que todos os estudos foram realizados tanto no espaço primal quanto no espaço dual possibilitando o uso de um mapeamento implícito. Os resultados obtidos foram bastante satisfatórios e muitas vezes superiores a outros métodos que representam o estado da arte do problema de classificação binária.pt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICE – Instituto de Ciências Exataspt_BR
dc.publisher.programPrograma de Pós-graduação em Modelagem Computacionalpt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectAlgoritmo evolucionistapt_BR
dc.subjectAnálise de relevânciapt_BR
dc.subjectAnálise de separabilidadept_BR
dc.subjectCentro analíticopt_BR
dc.subjectClassificação bináriapt_BR
dc.subjectCoordenadas esféricaspt_BR
dc.subjectLarga margempt_BR
dc.subjectPonto extremopt_BR
dc.subjectAnalytic centerpt_BR
dc.subjectBinary classificationpt_BR
dc.subjectEvolutionary algorithmpt_BR
dc.subjectExtreme pointpt_BR
dc.subjectLarge marginpt_BR
dc.subjectRelevance analysispt_BR
dc.subjectSeparability analysispt_BR
dc.subjectSpherical coordinatespt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.titleUma abordagem geométrica para o estudo do problema de classificação bináriapt_BR
dc.typeTesept_BR
Appears in Collections:Doutorado em Modelagem Computacional (Teses)



This item is licensed under a Creative Commons License Creative Commons