Publicação: Avaliação de medidas de rede complexas para classificação de dados via caracterização de importância
Carregando...
Tipo do documento
Data
Direito de acesso
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::ANALISE DE ALGORITMOS E COMPLEXIDADE DE COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
O uso de redes complexas se tornou um tópico cada vez mais falado em vários domínios
incluindo a classificação de dados. Por utilizarem apenas características físicas dos dados
classificadores tradicionais possuem dificuldade em classificar um novo dado baseado em
seu padrão estrutural ou topológico, tal como fazem técnicas de classificação baseadas em
redes complexas para caracterização de importância ou conformidade de padrão. Este
trabalho consiste em investigar o modelo de classificação via caracterização de importância
a fim de analisar empiricamente outras medidas de redes complexas em comparação
a medida PageRank. O ambiente desenvolvido para realização destes testes e posteriormente
das análises é feito a partir de um grafo contruído a partir da rede k-vizinhos mais
próximos, e a utilização de medidas de redes complexas a capazes de caracterizar algum
tipo de importância entre os vértices da rede. Para isso foram selecionadas 4 medidas de
redes complexas, a saber: grau, proximidade, PageRank e menor caminho médio. Para
os experimentos foi utilizadas 2 bases artificiais com diferentes níveis de ruídos e outras
4 bases reais. Os resultados obtidos demonstram que outras medidas de redes podem ter
o resultado competitivo em comparação ao PageRank, e que algumas medidas de redes
podem ser bem sensíveis em relação a etapa de construção da rede. De forma concisa,
este trabalho tem grande potencial para auxiliar trabalhos relacionados à classificação de
dados via caracterização de importância bem como a seleção mais adequada de medidas
de redes complexas para tarefas de classificação.
Abstract
The use of complex networks has gained attention in various domains including data
classification. Because they essentially consider physical characteristics of data, traditional
classifiers have difficulty classifying new data based on its structural or topological
pattern, as do classification techniques based on complex networks like importance characterization
or pattern conformity. This work consists of investigating the classification
model via importance characterization in order to empirically analyze other measures of
complex networks in comparison to the PageRank measure. The environment developed
to carry out these tests and subsequently the analyses is made from a graph constructed
using the k-nearest neighbors network, and the use of measures of complex networks
capable of characterizing some type of importance between the vertices of the network.
For this purpose, 4 measures of complex networks were selected, namely: degree, closeness,
PageRank and average shortest path. For the experiments we used 2 artificial
datasets with varying levels of noise and another 4 real-world datasets. The obatined
results demonstrate that other network measures can have a competitive result compared
to PageRank, and that some network measures can be very sensitive in relation to
the network construction phase. Concisely, this work has potential to assist other works
related to data classification via importance characterization or even those regarding the
appropriate selection of complex network measures for classification tasks.
Palavras-chave
Redes complexas, Classificação de dados, Classificação baseada em importância, Classificação de alto nível, Conformidade de padrão, Complex networks, data classification, classification by data importance, classification by pattern conformation, high level classification
Citação
SUZUKI, Guilherme Massahiro. Avaliação de medidas de rede complexas para classificação de dados via caracterização de importância. 2023. 51 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Monte Carmelo, 2023.
DOI
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto