English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Classificacao multirrotulo e um problema de aprendizado supervisionado no qual um objeto pode estar associado a multiplas classes. Dentre os diferentes metodos de classificacao multirrotulo destacam-se os metodos BR ( Binary Relevance ), LP ( Label Powerset ) e RAkEL ( RAndom k-labELsets ). O trabalho realizou um estudo sobre as construcoes de comites de classificadores multirrotulos construidos atraves da aplicacao de tecnicas de aprendizado semissupervisionado multidescricao. Os comites de classificadores utilizados nos experimentos foram o Bagging, Boosting e Stacking ; como metodos de transformacao do problema utilizamos os metodos BR, LP e Ra k el; na classificacao multirrotulo semissupervisionada multidescricao foi utilizado o Co-Training ; foram aplicados cinco diferentes algoritmos como classificadores base: k-NN (k Vizinhos Mais Proximos), J48 (Algoritmo de Inducao de Arvores de Decisao), SVM (Maquinas de Vetores Suporte), NB ( Naive Bayes ) e o JRip ( Extended Repeated Incremental Pruning ). Todos os experimentos utilizaram a metodologia de validacao cruzada com 10 grupos (10- fold Cross-Validation ) e o framework MULAN, o qual e implementado utilizando o WEKA. Para os tamanhos dos comites de classificadores adotamos os valores 3, 5, 7 e 9. Para a analise dos resultados foi utilizado o teste esta- tistico de Wilcoxon . Ao final das analises experimentais, verificou-se que a abordagem semissupervisionado apresentou resultados competitivos em relacao ao aprendizado supervisionado, uma vez que as duas abordagens utilizadas apresentaram resultados estatisticamente semelhantes.

Estratégias de Construções de Comitês de Classificadores Multirrótulos no Aprendizado Semissupervisionado Multidescrição