Authors:

Autores

Person role Person
6934
131,162,3088
6933
131,162,3088
6932
131,162,3088

Informations:

Pesc publication

Title
Estudo Comparativo de Técnicas de Mapeamento no Classificador Wisard
Research area
Mathematical Optimization
Publication type
Master's thesis
Identification Number
Date
12/8/2020
Resumo

A otimização de hiper-parâmetros é uma questão de grande relevância na área de aprendizado de máquina, uma vez que sua escolha é fundamental para o procedimento de treinamento, resultando na otimização de quesitos como a velocidade e acurácia dos algoritmos. O modelo WiSARD é um classificador de ênuplas com múltiplos discriminadores, sendo conhecido pela velocidade ao usar o processo de escrita nas RAMs como treinamento. Tal modelo é composto por três diferentes hiper-parâmetros, que dizem respeito ao tamanho da ênupla, o pré-processamento das entradas, e o mapeamento das entradas, que define a divisão em ênuplas, fator determinante na acurácia do classificador. Um estudo comparativo das técnicas de mapeamento para o modelo WiSARD é apresentado neste trabalho. Para tal, diferentes abordagens de mapeamento presente na literatura do modelo são descritas, e novas técnicas são apresentadas.

Abstract

The optimization of hyperparameters is a matter of great relevance in the area of machine learning, since its choice is fundamental for the training procedure, resulting in the optimization of issues such as the speed and accuracy of the algorithms. The WiSARD model is a tuple classifier with multiple discriminators and is known for its speed when it uses the RAM writing process as training. Such a model consists of three different hyperparameters, which concern the size of the tuple, the preprocessing of the entries, and the mapping of the entries, which defines the division into tuples, a determining factor in the accuracy of the classifier. A comparative study of the mapping techniques for the WiSARD model is presented in this work. To this end, different approaches to mapping present in the model literature are described, and new techniques are presented.

JSN_TPLFW_GOTO_TOP