| |
|
|
| Registros recuperados : 266 | |
| Registros recuperados : 266 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Agricultura Digital. |
|
Data corrente: |
22/12/2017 |
|
Data da última atualização: |
21/01/2020 |
|
Tipo da produção científica: |
Artigo em Anais de Congresso |
|
Autoria: |
BARROS, F. M. M.; OLIVEIRA, S. R. de M. |
|
Afiliação: |
FLAVIO M. M. BARROS, Feagri/Unicamp; STANLEY ROBSON DE MEDEIROS OLIVEIRA, CNPTIA. |
|
Título: |
Avaliação de métodos de detecção de tópicos em pré-processamento para classificação de textos agrícolas. |
|
Ano de publicação: |
2017 |
|
Fonte/Imprenta: |
In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA, 11., 2017, Campinas. Ciência de dados na era da agricultura digital: anais. Campinas: Editora da Unicamp: Embrapa Informática Agropecuária, 2017. |
|
Páginas: |
p. 615-624. |
|
ISBN: |
978-85-85783-75-4 |
|
Idioma: |
Português |
|
Notas: |
SBIAgro 2017. |
|
Conteúdo: |
Neste trabalho, buscou-se construir e comparar modelos capazes de diferenciar textos sobre a cultura da cana-de-açúcar de outros textos relacionados a outras culturas ou criações. Para criar modelos de classificação de textos, os dados são transformados em matrizes termos-documentos, de forma que os dados apresentam alta dimensionalidade. Para construir melhores modelos de classificação de textos agrícolas foram testados: a) métodos de redução de dimensionalidade utilizando LDA (Latent Dirichlet Allocation) e PCA (Principal Component Analysis); b) número de tópicos/componentes principais; c) unigrama/bigrama; e d) algoritmos Random Forest, Gradiente Boosting e SVM (Support Vector Machine), de forma a determinar os fatores que mais impactam o AUC (Area Under the Curve). Os resultados demonstraram que os fatores estatisticamente significativos são o tipo de pré-processamento, com vantagem para LDA, e o tipo de algoritmo utilizado, com destaque para o SVM. O número de tópicos e de componentes principais e o uso de unigrama e bigrama não tiveram efeito estatisticamente significativo na performance dos modelos em termos de AUC. |
|
Palavras-Chave: |
Agricultural information systems; Aprendizado de máquina; Dimensionality reduction; Machine Learning; Mineração de textos; Redução de dimensionalidade; Sistema de informação agrícola; Text mining. |
|
Thesagro: |
Agricultura. |
|
Thesaurus NAL: |
Agriculture. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/169707/1/Avaliacao-sbiagro2017.pdf
|
|
Marc: |
LEADER 02207nam a2200277 a 4500
001 2083387
005 2020-01-21
008 2017 bl uuuu u00u1 u #d
020 $a978-85-85783-75-4
100 1 $aBARROS, F. M. M.
245 $aAvaliação de métodos de detecção de tópicos em pré-processamento para classificação de textos agrícolas.$h[electronic resource]
260 $aIn: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA, 11., 2017, Campinas. Ciência de dados na era da agricultura digital: anais. Campinas: Editora da Unicamp: Embrapa Informática Agropecuária$c2017
300 $ap. 615-624.
500 $aSBIAgro 2017.
520 $aNeste trabalho, buscou-se construir e comparar modelos capazes de diferenciar textos sobre a cultura da cana-de-açúcar de outros textos relacionados a outras culturas ou criações. Para criar modelos de classificação de textos, os dados são transformados em matrizes termos-documentos, de forma que os dados apresentam alta dimensionalidade. Para construir melhores modelos de classificação de textos agrícolas foram testados: a) métodos de redução de dimensionalidade utilizando LDA (Latent Dirichlet Allocation) e PCA (Principal Component Analysis); b) número de tópicos/componentes principais; c) unigrama/bigrama; e d) algoritmos Random Forest, Gradiente Boosting e SVM (Support Vector Machine), de forma a determinar os fatores que mais impactam o AUC (Area Under the Curve). Os resultados demonstraram que os fatores estatisticamente significativos são o tipo de pré-processamento, com vantagem para LDA, e o tipo de algoritmo utilizado, com destaque para o SVM. O número de tópicos e de componentes principais e o uso de unigrama e bigrama não tiveram efeito estatisticamente significativo na performance dos modelos em termos de AUC.
650 $aAgriculture
650 $aAgricultura
653 $aAgricultural information systems
653 $aAprendizado de máquina
653 $aDimensionality reduction
653 $aMachine Learning
653 $aMineração de textos
653 $aRedução de dimensionalidade
653 $aSistema de informação agrícola
653 $aText mining
700 1 $aOLIVEIRA, S. R. de M.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
