dc.creator |
LUZ, Thiago Sales Freire |
|
dc.date.issued |
2023-09-28 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/3927 |
|
dc.description.abstract |
Exoplanets are planets discovered outside our solar system. Their discovery happens because
of scientific work with telescopes such as the Kepler. The data collected by Kepler
is known as Kepler Object of Interest. Machine Learning algorithms are trained to classify
these data into exoplanets or non-exoplanets. An Ensemble Algorithm is a type of
Machine Learning technique that combines the prediction performance of two or more
algorithms to gain an improved final prediction. The current works on exoplanet identification
use mostly traditional non-Ensemble algorithms. Therefore, research that uses
Ensemble algorithms for exoplanet identification is scarce. This paper performs a comparison
among some Ensemble algorithms on the exoplanet identification process. Each
algorithm is implemented with a set of different values for its parameters and executed
multiple times. All executions are performed with the cross-validation method. A confusion
matrix is created for each algorithm implementation. The results of each confusion
matrix provided data to evaluate the following algorithm’s performance metrics: accuracy,
sensitivity, specificity, precision, and F1 score. The Ensemble algorithms achieved
an average performance of more than 80% in all metrics. Changing the default values
of the Ensemble algorithms parameters improved their predictive performance. The algorithm
with the best performance is Stacking. In summary, the Ensemble algorithms
have great potential to improve exoplanet prediction. The Stacking algorithm achieved a
higher performance than the other algorithms. This aspect is discussed in the text. The
results of this work show that it is reasonable to increase the use of Ensemble algorithms.
The reason is their high prediction performance to improve exoplanet identification. |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Algoritmos ensemble |
pt_BR |
dc.subject |
KOI |
pt_BR |
dc.subject |
Aprendizado de máquina |
pt_BR |
dc.subject |
Matriz de confusão |
pt_BR |
dc.subject |
Stacking |
pt_BR |
dc.title |
Análise e comparação de algoritmos ensemble de classificação na descoberta de exoplanetas |
pt_BR |
dc.type |
Dissertação |
pt_BR |
dc.date.available |
2023-10-31 |
|
dc.date.available |
2023-10-31T11:49:19Z |
|
dc.date.accessioned |
2023-10-31T11:49:19Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/1717282381510877 |
pt_BR |
dc.contributor.advisor1 |
RIBEIRO, Enio Roberto |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/6416752942017019 |
pt_BR |
dc.contributor.advisor-co1 |
BRAGA, Rodrigo Aparecido da Silva |
|
dc.contributor.advisor-co1Lattes |
http://lattes.cnpq.br/4343678779982973 |
pt_BR |
dc.description.resumo |
Exoplanetas são planetas encontrados fora do sistema solar. A descoberta dos exoplanetas
ocorre devido ao trabalho científico envolvendo o uso de telescópios, entre eles, o Kepler.
Os dados coletados por este telescópio são chamados de Kepler Object of Interest. Para a
tarefa de identificação de padrões nestes dados são utilizados algoritmos de Aprendizado
de Máquina. Estes algoritmos são treinados para classificar estes dados em exoplanetas
ou em falso-exoplaneta, isto é, falso-positivo. Dentre os algoritmos de classificação têm-se
os denominados algoritmos Ensemble. Estes algoritmos combinam o desempenho de predição
de dois ou mais algoritmos visando aperfeiçoar o desempenho preditivo final. Na
literatura são utilizados algoritmos tradicionais em pesquisas relacionadas a detecção de
exoplanetas. Constata-se, dessa forma, a carência de trabalhos que utilizam algoritmos
Ensemble com este propósito. Esta dissertação realiza uma comparação de desempenho
entre algoritmos Ensemble no processo de identificação de exoplanetas. Cada algoritmo
é implementado com um conjunto de diferentes valores de parâmetros e executado várias
vezes por um processo de validação cruzada. Uma matriz de confusão é gerada em cada
execução, a qual é usada para análise das seguintes métricas de desempenho do algoritmo:
exatidão, sensibilidade, especificidade, precisão e nota F1. Os algoritmos Ensemble atingiram
um desempenho maior que 80% de acerto na maioria das métricas. Com a alteração
dos valores dos parâmetros das funções observa-se um melhor resultado na predição. O
algoritmo com o melhor desempenho foi o Stacking. Em síntese, verifica que os algoritmos
Ensemble possuem um grande potencial para melhorar o resultado da predição de exoplanetas.
O algoritmo Stacking se mostrou superior aos demais algoritmos e este aspecto é
discutido no artigo. Os resultados desta dissertação indicam ser relevante aumentar o uso
destes algoritmos, por possuírem um alto desempenho preditivo, favorecendo a detecção
de exoplanetas. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Mestrado - Ciência e Tecnologia da Computação |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::CIÊNCIAS EXATAS E DA TERRA::CIÊNCIA DA COMPUTAÇÃO |
pt_BR |
dc.relation.references |
LUZ, Thiago Sales Freire. Análise e comparação de algoritmos ensemble de classificação na descoberta de exoplanetas. 2023. 84 f. Dissertação (Mestrado em Ciência e Tecnologia da Computação.) – Universidade Federal de Itajubá, Itabira, 2023. |
pt_BR |