Análise da variação do limiar para o algoritmo de aprendizado semissupervisionado flexcon-c / Threshold variation analysis for flexcon-c semisupervised learning algorithm

Authors

  • Arthur C. Gorgônio
  • Cainan T. Alves
  • Amarildo J. F. Lucena
  • Flavius L. Gorgônio
  • Karliane M. O. Vale
  • Anne M. P. Canuto

DOI:

https://doi.org/10.34117/bjdv5n11-293

Keywords:

Aprendizado de máquina. Aprendizado semissupervisionado. Análise de parâmetros para o algoritmo FlexCon-C

Abstract

Algoritmos de aprendizado semissupervisionado são capazes de treinar classificadores a partir de uma pequena parcela de objetos inicialmente rotulados. A confiabilidade do processo de classificação depende de vários fatores que incluem o tipo de classificador utilizado e um conjunto de parâmetros que os customiza. Um dos fatores mais importantes é um limiar que determina quais instâncias são incluídas por iteração, permitindo rotular apenas instâncias classificadas com alto valor de confiança. Este artigo analisa diferentes valores para o fator de variação do algoritmo FlexCon-C e mede o impacto dessa alteração na sua acurácia. Os resultados consideram trinta diferentes bases de dados, quatro classificadores e cinco diferentes percentuais de dados pré-rotulados.

References

Bouchachia, A. (2012). Learning with partial supervision. In Machine Learning, volume 3, pages 1880–1888. Information Science Reference, Hershey PA 17033.

Chapelle, O., Schölkopf, B., and Zien, A. (2006). Semi-Supervised Learning. The MIT Press, Cambridge, Massachusetts, London.

Grandvalet, Y. and Bengio, Y. (2004). Semi-supervised learning by entropy minimization. In Proceedings of the 17th International Conference on Neural Information Processing Systems, NIPS’04, pages 529–536, Cambridge, MA, USA. MIT Press.

Hady, M. F. A. and Schwenker, F. (2013). Semi-supervised learning. In Handbook on Neural Information Processing, pages 215–239. Springer, Berlin Heidelberg.

Mitchell, T. M. (1997). Machine Learning. McGraw-Hill, Boston, Massachusetts, London.

Rodrigues, F. M., Canuto, A. M. P., and Santos, A. M. (2014). Confidence factor and feature selection for semi-supervised multi-label classification methods. International Joint Conference on Neural Networks, pages 864 – 871.

Rodrigues, F. M., Santos, A. M., and Canuto, A. M. P. (2013). Using confidence values in multi-label classification problems with semi-supervised learning. International Joint Conference on Neural Networks, pages 1 – 8.

Tanha, J., van Someren, M., and Afsarmanesh, H. (2017). Semi-supervised self-training for decision tree classifiers. International Journal of Machine Learning and Cybernetics, 8(1):355–370.

Tao, Y., Zhang, D., Cheng, S., and Tang, X. (2018). Improving semi-supervised self-training with embedded manifold transduction. Transactions of the Institute of Measurement and Control, 40(2):363–374.

Vale, K. M. O., de P. Canuto, A. M., de Medeiros Santos, A., da Luz e Gorgoˆnio, F., de M. Tavares, A., Gorgoˆnio, A. C., and Alves, C. T. (2018). Automatic adjustment of confidence values in self-training semi-supervised method. International Joint Conference on Neural Networks.

Zhu, X. (2008). Semi-supervised learning literature survey. Technical Report 1530, Computer Sciences, University of Wisconsin-Madison.

Zhu, X. and Goldberg, A. B. (2009). Introduction to semi-supervised learning. Morgan & Claypool Publishers, San Rafael, California, 3 edition.

Published

2019-11-26

How to Cite

Gorgônio, A. C., Alves, C. T., Lucena, A. J. F., Gorgônio, F. L., Vale, K. M. O., & Canuto, A. M. P. (2019). Análise da variação do limiar para o algoritmo de aprendizado semissupervisionado flexcon-c / Threshold variation analysis for flexcon-c semisupervised learning algorithm. Brazilian Journal of Development, 5(11), 26654–26669. https://doi.org/10.34117/bjdv5n11-293

Issue

Section

Original Papers