Como Citar
Resumo
Este trabalho propõe uma nova técnica para a maximização de margem, através do tratamento de dados. As várias abordagens de tratamento de dados serão utilizadas no treinamento do Perceptron Espanhol. As distâncias entre os vetores de suporte e a superfície de separação foram utilizadas como métrica para a avaliação da máxima margem. Os vetores de suporte são fornecidos através da Support Vector Machine (SVM), após treinamento com a base de dados sem tratamento. A base utilizada é sintética, linearmente separável, com duas classes, aleatória de distribuição normal. Os resultados sugerem que a nova técnica proporciona uma melhoria na margem gerada com o perceptron espanhol, quando o erro de treinamento é maior.
Palavras-chave: Maximização de margens. Perceptron Espanhol. SVM.
Neural networks in the data processing for maximizing
Abstract
This paper proposes a new technique for maximizing margin, through the processing of data. The various data processing approaches will be used in Spanish Perceptron training. The distances between the support vectors and the separation surface was used as a metric to evaluate the maximum margin. The support vectors are provided by the Support Vector Machine (SVM) after training database without treatment. The base used is synthetic linearly separable, with two classes, random normal distribution. The results suggest that the new technique provides an improvement in margin generated with Spanish Perceptron, when the training error is higher.
Keywords: Maximizing margins. Spanish Perceptron. SVM.
Referências
BREIMAN, L. Bagging predictors. Technical Report, Berkeley, n. 421, Sept. 1994.
FERNANDEZ-DELGADO, M. et al. Direct parallel perceptrons (DPPs): fast analytical calculation of the parallel perceptrons weights with margin control for classification tasks. IEEE transactions on neural networks, v. 22, n. 11, p. 1837-1838, Nov. 2011.
HORTA, E. G. Aplicação de máquinas de aprendizado extremo ao problema de aprendizado ativo. Belo Horizonte: Centro de Desenvolvimento e Planejamento Regional, Universidade Federal de Minas Gerais, 2013.
KARATZOGLOU, A.; SMOLA, A.; HORNIK, Kurt. Kernlab: an S4 Package for Kernel Methods in R. Journal of Statistical Software. v. 11, Apr. 2004.
MONTGOMERY, D. C.; RUNGER, G. C. Estatística aplicada e probabilidade para engenheiros. 8. ed. Rio de Janeiro: LTC, 2008.
SMOLA, A. et al. Advances in Large Margin Classifiers. Cambridge, Massachusetts: MIT, 2000. 422 p.
VAPNIK V; CORTES C. Support-Vector Networks. Machine Learning, v. 20, n. 3, p. 273-297, Sep. 1995.
Autores que publicam na ForScience concordam com os seguintes termos:
- O referido trabalho é de própria autoria e nunca foi publicado ou enviado a outra revista, tendo essa revista o direito de exclusividade sobre a edição e publicação, sob a licença Creative Commons Attribution License 4.0 (CC-BY-NC) que permite a qualquer pessoa compartilhar a adaptar o trabalho de acordo com os seguintes termos:
-
Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se as mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de maneira alguma que sugira ao licenciante a apoiar você ou o seu uso.
-
Não Comercial — Você não pode usar o material para fins comerciais.
- Se comprovado plágio em qualquer trabalho publicado, esta Revista isenta-se de qualquer responsabilidade, devendo seu(s) autor(es) arcar(em) com as penalidades previstas em lei.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal), já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado. Porém deve-se observar que uma vez aprovado pelos avaliadores, o manuscrito não poderá sofrer mais alterações. Caso o autor deseje faze-lo, deverá reiniciar o processo de submissão