REDUÇÃO DE DIMENSIONALIDADE EM BASES DE DADOS DE MICROARRANJOS UTILIZANDO AUTOCODIFCADORES

Algoritmos de Aprendizagem de Maquina vem sendo cada vez mais utilizados pela sua capacidade de aprender a partir de grandes volumes de dados como, por exemplo, dados de expressão gênica obtidos pela técnica de microarranjo. Uma característica das bases de dados de microarranjos é que, geralmente, ela é formada por grande quantidade de atributos e um pequeno número de amostras. Sabe-se que dados com alta dimensionalidade podem possuir atributos redundantes e muitas vezes irrelevantes, podendo atrapalhar o processo de aprendizagem e o desempenho das predições. Métodos de redução de dimensionalidade são utilizados para reduzir a quantidade de atributos das bases de dados. Redes Neurais Autocodificadoras podem ser adaptadas e utilizadas para a extração de atributos e, consequentemente, a redução da dimensionalidade. Esta pesquisa tem como objetivo utilizar uma rede neural autocodificadora para ser utilizada na extração de atributos em bases de dados de microarranjo. Para isso, serão realizados experimentos em cinco bases de dados. Os resultados foram avaliados por meio da taxa de acerto de classificadores.

Artigo Completo. Publicado no Seminário de Extensão e Inovação da UTFPR (SEI). 2020.

Baixar anexo

Anexo baixado 257 vezes

Projetos relacionados

REDUÇÃO DE DIMENSIONALIDADE EM BASES DE DADOS

Um dos problemas enfrentados por pesquisadores da área de mineração é que as bases de dados são formadas por uma grande quantidade de atributos, e que muitas vezes acabam atrapalhando o processo de aprendizagem dos algoritmos. Técnicas de redução de dimensionalidade, tais como a seleção e a extração de atributos, são usadas para diminuir a dimensão desses dados, removendo atributos irrelevantes ou irredundantes e que podem atrapalhar o processo de mineração. A finalidade desse projeto consiste em aplicar técnicas de redução de dimensionalidade em bases de dados.

Ler mais