Feature selection for characterization of continuous optimization functions

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Silva, Guilherme Ribeiro Da [UNIFESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Universidade Federal de São Paulo (UNIFESP)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Feature Selection
Continuous Optimization
Dimensionality Reduction
Black Box Optimization Benchmark
Seleção De Atributos
Otimização Contínua
Redução Da Dimensionalidade
Otimização Caixa Preta
Link de acesso: https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=7928399
https://repositorio.unifesp.br/handle/11600/59868
Resumo: The field of automatic algorithm selection has received increased attention in the past years. Machine Learning techniques are now able to predict with high accuracy the best set of algorithms for a given problem instance. In this present dissertation, we establish the steps for the selection of features for characterization of continuous functions. Via a Dimensionality Reduction approach, only the features that best preserve the information of the dataset are selected. Then, the selected features were compared to already established sets of metrics from the literature and the results are analyzed.

Registros relacionados