@InProceedings{SarmentoDutrErth:2012:ReCoDa,
               author = "Sarmento, Peterson Lima and Dutra, Luciano Vieira and Erthal, 
                         Guaraci Jos{\'e}",
          affiliation = "{} and {Instituto Nacional de Pesquisas Espaciais (INPE)}",
                title = "Redu{\c{c}}{\~a}o do conjunto de dados de treinamento para 
                         melhorar a efici{\^e}ncia do classificador SVM",
            booktitle = "Anais...",
                 year = "2012",
               editor = "Castro, Ana Paula Abrantes de and Shiguemori, {\'E}lcio Hideiti 
                         and Ramos, Fernando Manuel",
         organization = "Workshop dos Cursos de Computa{\c{c}}{\~a}o Aplicada do INPE, 
                         12. (WORCAP).",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
             keywords = "Redu{\c{c}}{\~a}o de dados, SVM, KNN, Tempo, edi{\c{c}}{\~a}o, 
                         edi{\c{c}}{\~a}o m{\'u}ltipla, condensa{\c{c}}{\~a}o.",
             abstract = "O classificador M{\'a}quina de Vetores Suporte (Support Vector 
                         Machine SVM), um classificador supervisionado que utiliza 
                         basicamente os dados das classes pr{\'o}ximos {\`a} fronteira de 
                         decis{\~a}o, {\'e} utilizado frequentemente devido ao seu bom 
                         desempenho. Uma desvantagem deste m{\'e}todo {\'e} o aumento no 
                         tempo de treinamento do classificador {\`a} medida que o tamanho 
                         do conjunto de treinamento aumenta. A proposta deste trabalho 
                         {\'e} aplicar t{\'e}cnicas de redu{\c{c}}{\~a}o do conjunto de 
                         treinamento mantendo a acur{\'a}cia da classifica{\c{c}}{\~a}o. 
                         As t{\'e}cnicas utilizadas ser{\~a}o edi{\c{c}}{\~a}o, 
                         edi{\c{c}}{\~a}o m{\'u}ltipla, e condensa{\c{c}}{\~a}o dos 
                         dados, aplicados na redu{\c{c}}{\~a}o dos dados para o 
                         m{\'e}todo k-vizinhos mais pr{\'o}ximos (k nearest neighbor 
                         k-NN), que tamb{\'e}m {\'e} um classificador supervisionado que 
                         atua sobre os dados pr{\'o}ximos a fronteira de 
                         separa{\c{c}}{\~a}o entre as classes. Espera-se que, com a 
                         redu{\c{c}}{\~a}o dos dados, seja mantida a aur{\'a}cia e que 
                         haja ganho no tempo de estimativa dos par{\^a}metros do 
                         classificador. ABSTRACT: The Support Vector Machine classifier 
                         (SVM), a classifier that basically uses training data near the 
                         decision boundary is often used due to its good performance. A 
                         disadvantage of this method is the increase training time of the 
                         classifier as the training set size increases. The purpose of this 
                         paper is to apply techniques to reduce the training set size 
                         preserving the classification accuracy. The techniques used are 
                         editing, multiediting and condensing of data, already applied in 
                         data reduction for k-nearest neighbor method (k-NN), which is also 
                         a classifier that operates on the data near the border separating 
                         classes. It is expected that accuracy with reduced data sets and 
                         there is gain in time to estimate the classifier parameters.",
  conference-location = "S{\~a}o Jos{\'e} dos Campos",
      conference-year = "6-8 nov. 2012",
             language = "pt",
         organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                  ibi = "8JMKD3MGP8W/3D85DQ8",
                  url = "http://urlib.net/ibi/8JMKD3MGP8W/3D85DQ8",
           targetfile = "worcap2012_submission_75 - Peterson L. Sarmento.pdf",
        urlaccessdate = "08 maio 2024"
}