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

Floresta Aleatoria (FA) e uma das estrategias mais bem-sucedidas para tarefas de classificacao automatica. Motivado por seu grande sucesso, recem-propostos metodos baseados em FA tem alavancado a ideia central da RF de agregar um grande conjunto de arvores de decisao com baixa correlacao, que e inerentemente paralelizavel e prove capacidade excepcional de generalizacao. Nesse contexto, esse trabalho prove varias novas contribuicoes para essa linha de pesquisa. Primeiramente, nos propomos uma nova estrategia baseada em FA (BERT) que aplica a tecnica de \textit{boosting} em arvores extremamente aleatorias com \textit{bagging}. Segundo, nos demonstramos empiricamente que essa nova estrategia, assim como os recem-propostos classificadores BROOF e LazyNN\_RF complementam uns aos outros, motivando-nos a empilha-los a fim de produzir um metodo ainda mais eficaz. Ate onde sabemos, esse e a primeira estrategia que efetivamente combina as tres principais estrategias de comite de classificadores: empilhamento, \textit{bagging} (a base da FA) e \textit{boosting}. Por ultimo, nos exploramos as instâncias \textit{out-of-bag (OOB)} para empilhar, eficientemente e sem vies, metodos baseados em \textit{bagging}, desse modo diminuindo consideravelmente o custoso processo de treino do procedimento de empilhamento. Nossos experimentos cobrindo dois dominios ruidosos e com alta dimensionalidade - classificacao de topicos e sentimentos - prove forte evidencia em favor dos beneficios de nossas solucoes baseadas em FA. Nos mostramos que o BERT esta dentre os classificadores de mais alta efetividade na vasta maioria dos casos analisados, mantendo os beneficios unicos da FA (interpretabilidade, paralelizacao, facil parametrizacao, capacidade de lidar com dados heterogeneos e valores faltantes).

Stacking Bagged and Boosted Forests for Classification of Noisy and High-Dimensional Data