Stacking Bagged and Boosted Forests for Effective Automated Classification

Bridging Text Visualization and Mining: A Task-Driven Survey

“…Trends over time between visualization and data mining are revealed through spark lines appearing beside the concept label. Since the total number varies widely across concepts, we normalized the spark lines for each concept so that they reveal the relative number of papers [327], [335], [339] word/phrase/entity-level (679) [4], [286], [289] document-level (288) [14], [252], [376] hybrid (387) [40], [155], [349] model inference (1335) non-probabilistic inference (267) [91], [101], [336] probabilistic inference (1160) [185], [198], [360] modeling (3085) models for classification (1636) [45], [176], [216] models for clustering (908) [300], [301], [361] models for dimension reduction (247) [129], [221], [287] topic models (1089) [32], [33], [139] models for regression (256) [49], [149], [298] language model (271) [24], [89], [158] graphical models (187) [262], [268], [367] neural networks (412) [175], [193], [224] mixture models (128)…”

Impulsionando Árvores Extremamente Aleatórias em Paralelo para a Classificação de Dados Textuais

“…A decisão fi-nalé influenciada pela acurácia de cada floresta. Outro grupo de classificadoresé o BERT [Campos et al 2017], um algoritmo baseado no BROOF, que troca os classificadores base de florestas pelos deárvores extremamente aleatórias. A adição de aleatoriedade na escolha do ponto de corte dos valores do atributo permite diminuir a variância, fornece meios para diminuir o viés, e assim, se torna mais robusto a presença de ruídos nos dados.…”

“…Foram usados quatro conjuntos textuais do mundo real, relacionados com artigos de ciência da computação (ACM), notícias (20NG e Reuters) e páginas web (4UNI). Todos os conjuntos foram processados previamente e adequados por [Campos et al 2017], como remoção de stopwords e de alguns atributos de baixa frequência (abaixo de 6). Todos os conjuntos são compostos de vários vetores com atributos TF-IDF.…”

“…O algoritmo sequencial foi executado em um processador tradicional. Ambas as versões foram implementadas do zero usando como base as descrições dos artigos [Campos et al 2017, Jansson et al 2014 Como pode-se perceber no gráfico da Figura 3, quanto maior a quantidade de dados, maioré o esforço computacional sequencial, e maior aindaé o fator de speedup (Figura 4), ou seja, o algoritmo paralelo leva uma vantagem ainda maior quando o conjunto de dados aumenta. O maior conjunto de dados foi processado 26 vezes mais rápido com o algoritmo paralelo.…”

“…Assim, a exploração de paralelismo tem sido uma alternativa para viabilizar o uso destes algoritmos em grande bases de dados. Neste trabalho propomos um algoritmo paralelo para acelerar a construção destasárvores de decisão utilizadas num método recente que tem sido capaz de superar os classificadores deúltima geração para conjunto de dados textuais, o BERT [Campos et al 2017]. Resultados experimentais, utilizando bases de dados textuais padronizadas, mostram que o algoritmo implementado em uma arquitetura manycore (GPU)é capaz de reduzir o tempo de execução em até 26 vezes em comparação a um algoritmo sequencial equivalente.…”