
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Merschmann, Luiz Henrique de Campos | - |
| Autor(es): dc.contributor | Pereira, Denilson Alves Pereira Paiva | - |
| Autor(es): dc.contributor | Faria, Elaine Ribeiro de | - |
| Autor(es): dc.creator | Santos, Vânia Batista dos | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:43:48Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:43:48Z | - |
| Data de envio: dc.date.issued | 2020-06-05 | - |
| Data de envio: dc.date.issued | 2020-06-05 | - |
| Data de envio: dc.date.issued | 2020-06-03 | - |
| Data de envio: dc.date.issued | 2020-02-21 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/41363 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1146171 | - |
| Descrição: dc.description | Classification is a predictive task of Data Mining that uses a set of data (instances), previously labeled, to train an algorithm that has the function of learning from the data presented and being able to predict the labels of new instances. The multi-label classification, in turn, differs from the traditional single-label classification in that it allows each instance of the dataset to be associ- ated with more than one label. Thus, in the domain of texts, characterized by diversity, volume, and increasing production, the multi-label classification plays an important role in allowing the maximum amount of information embedded in this data to be automatically extracted. Through texts, it is possible to identify the contents of great value for decision making, such as interests, opinions, and feelings. Some areas that explore ways to work with textual data are Natural Language Processing, Data Mining, and Machine Learning. The multi-label classification has a significant number of learning techniques available for its execution. However, finding the one that is most appropriate for a given dataset is not a trivial task, as it requires knowledge of techniques, consecutive experiments and, consequently, time. In this context, metalearning shows the relevance of its application when investigating ways to automate the process of se- lecting the best techniques for a given problem. Therefore, the objective of this work is to apply metalearning in the development of a method for the classification of multi-label texts, which seeks to select the best classification algorithm for each instance of the presented dataset. The experimental results demonstrated the effectiveness of the proposed method. | - |
| Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
| Descrição: dc.description | A classificação é uma tarefa preditiva da Mineração de Dados que utiliza um conjunto de dados (instâncias), previamente rotulados, para o treinamento de um algoritmo que tem a função de aprender com os dados apresentados e ser capaz de predizer os rótulos de novas instâncias. A classificação multirrótulo, por sua vez, difere da tradicional classificação monorrótulo ao per- mitir que cada instância do conjunto de dados esteja associada a mais de um rótulo. Dessa forma, no domínio de textos, caracterizado pela diversidade, volume e produção crescente, a classificação multirrótulo desempenha um papel importante ao permitir que, de forma automá- tica, seja extraído o máximo de informação embutida nesses dados. Por meio dos textos, é possível identificar conteúdos de grande valor para a tomada de decisão, como interesses, opi- niões e sentimentos. Algumas áreas que exploram formas de trabalhar com os dados textuais são Processamento de Linguagem Natural, Mineração de Dados e Aprendizado de Máquina. A classificação multirrótulo dispõe de um significativo número de técnicas de aprendizagem disponíveis para a sua execução. Porém, encontrar a que seja mais apropriada para um de- terminado conjunto de dados, não é uma tarefa trivial, pois exige conhecimento das técnicas, consecutivos experimentos e, consequentemente, tempo. Nesse contexto, a meta-aprendizagem apresenta a relevância de sua aplicação ao investigar formas de automatizar o processo de se- leção das melhores técnicas para determinado problema. Portanto, o objetivo deste trabalho é aplicar a meta-aprendizagem no desenvolvimento de um método para a classificação de textos multirrótulo, o qual busca selecionar o melhor algoritmo de classificação para cada instância do conjunto de dados apresentado. Os resultados experimentais demonstraram a eficácia do método proposto. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-graduação em Ciência da Computação | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Ciência da Computação | - |
| Direitos: dc.rights | restrictAccess | - |
| Palavras-chave: dc.subject | Meta-aprendizagem | - |
| Palavras-chave: dc.subject | Classificação de texto | - |
| Palavras-chave: dc.subject | Classificação multirrótulo | - |
| Palavras-chave: dc.subject | Processamento de linguagem natural | - |
| Palavras-chave: dc.subject | Mineração de dados | - |
| Palavras-chave: dc.subject | Metalearning | - |
| Palavras-chave: dc.subject | Text classification | - |
| Palavras-chave: dc.subject | Multi-label classification | - |
| Palavras-chave: dc.subject | Natural language processing | - |
| Palavras-chave: dc.subject | Data mining | - |
| Palavras-chave: dc.subject | Ciência da Computação | - |
| Título: dc.title | Meta-aprendizagem aplicada a classificação de texto multirrótulo | - |
| Título: dc.title | Metalearning applied to multi-label text classification | - |
| Tipo de arquivo: dc.type | dissertação | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: