@InProceedings{ParreiraDutrPantRuwe:2016:MéClHi,
               author = "Parreira, Michelle and Dutra, Luciano Vieira and Pantale{\~a}o, 
                         Eliana and Ruwer, Sherfis",
          affiliation = "{} and {Instituto Nacional de Pesquisas Espaciais (INPE)}",
                title = "Um m{\'e}todo de classifica{\c{c}}{\~a}o hier{\'a}rquica 
                         utilizando uma fun{\c{c}}{\~a}o svm multi-kernel",
                 year = "2016",
         organization = "Workshop de Computa{\c{c}}{\~a}o Aplicada, 16. (WORCAP)",
             abstract = "Esse trabalho prop{\~o}e um m{\'e}todo de 
                         classifica{\c{c}}{\~a}o baseado em m{\'a}quinas de vetores 
                         suporte (SVM) que usa m{\'u}ltiplos kernels e atribui os 
                         r{\'o}tulos {\`a}s classes de modo hier{\'a}rquico. Uma 
                         {\'a}rvore bin{\'a}ria {\'e} criada automaticamente pelo 
                         algoritmo e cada n{\'o} realiza a classifica{\c{c}}{\~a}o entre 
                         duas parti{\c{c}}{\~o}es do conjunto de classes 
                         pr{\'e}-classificado pelo n{\'o} superior. A 
                         classifica{\c{c}}{\~a}o {\'e} realizada pelo classificador SVM 
                         com m{\'u}ltiplos kernels combinados aproveitando as diferentes 
                         caracter{\'{\i}}sticas de cada kernel. A escolha pelas classes 
                         que comp{\~o}em cada parti{\c{c}}{\~a}o em cada n{\'o} {\'e} 
                         feita por otimiza{\c{c}}{\~a}o junto com os par{\^a}metros dos 
                         kernels e os coeficientes da combina{\c{c}}{\~a}o linear entre 
                         eles. Para isso {\'e} empregado o algoritmo 
                         Infesta{\c{c}}{\~a}o por Ervas Daninhas (Invasive Weed 
                         Optimization, IWO). Foi tamb{\'e}m realizado um experimento Monte 
                         Carlo para definir os par{\^a}metros do algoritmo IWO que afetam 
                         tanto a acur{\'a}cia da classifica{\c{c}}{\~a}o como o tempo de 
                         processamento. Esse novo m{\'e}todo consegue separar 
                         hierarquicamente as classes com melhor separabilidade segundo um 
                         classificador SVM multi-kernel otimizado para cada 
                         classifica{\c{c}}{\~a}o bin{\'a}ria. Os resultados foram 
                         comparados com outros m{\'e}todos j{\'a} estabelecidos na 
                         literatura, e demonstraram significativa melhora na acur{\'a}cia 
                         da classifica{\c{c}}{\~a}o.",
  conference-location = "S{\~a}o Jos{\'e} dos Campos, SP",
      conference-year = "25-26 out.",
             language = "pt",
           targetfile = "parreira_metodo.pdf",
        urlaccessdate = "28 abr. 2024"
}