Experimentos para o paper WITCC - Histórico de revisão

Administrador em 19h42min de 14 de setembro de 2012

2012-09-14T19:42:28Z

Claudine em 20h41min de 1 de abril de 2008

2008-04-01T20:41:01Z

Claudine em 20h40min de 1 de abril de 2008

2008-04-01T20:40:08Z

Claudine em 20h32min de 1 de abril de 2008

2008-04-01T20:32:35Z

Claudine em 20h32min de 1 de abril de 2008

2008-04-01T20:32:20Z

Claudine em 20h30min de 1 de abril de 2008

2008-04-01T20:30:48Z

Claudine em 20h19min de 1 de abril de 2008

2008-04-01T20:19:22Z

Claudine em 20h18min de 1 de abril de 2008

2008-04-01T20:18:26Z

Claudine em 20h17min de 1 de abril de 2008

2008-04-01T20:17:31Z

Claudine: /* Experimentos para o artigo WITCC'08 */

2008-04-01T20:11:29Z

‎Experimentos para o artigo WITCC'08

← Edição anterior		Edição das 19h42min de 14 de setembro de 2012
Linha 1:		Linha 1:
		+	[[category:Atividades]]
	==== ''Experimentos para o artigo WITCC'08'' ====		==== ''Experimentos para o artigo WITCC'08'' ====
	----		----

@@ Linha 16: / Linha 16: @@
 ** Usar o conjunto CNAE como dado de treino em cada fold Fi
 * Antes de executar o experimento de k-fold cross validation, calibrar os parâmetros de um método de classificação usando também a abordagem k-fold cross validation, com k=10
-** O fold F1 deverá ser particionado em k subconjuntos. Dos k subconjuntos, um único subconjunto deverá ser retido para validar o modelo, e os k-1 subconjuntos restantes deverão ser usados como dado de treino. O processo de cross-validation para calibração deverá ser repetido k vezes (F11, F12, ..., F1k), com cada um dos subconjuntos F1j, 1<=j<=k, usados exatamente uma vez como dado de teste.
+** O fold F1 deverá ser particionado em k subconjuntos. Dos k subconjuntos, um único subconjunto deverá ser retido para calibrar o modelo, e os k-1 subconjuntos restantes deverão ser usados como dado de treino. O processo de cross-validation para calibração deverá ser repetido k vezes (F11, F12, ..., F1k), com cada um dos subconjuntos F1j, 1<=j<=k, usados exatamente uma vez como dado de teste.
 *** Usar o conjunto CNAE como dado de treino em cada fold F1j

@@ Linha 19: / Linha 19: @@
 *** Usar o conjunto CNAE como dado de treino em cada fold F1j
-* Para cada um dos métodos de classificação, salvar os resultados (valor de todas as métricas) da repetição F1 do experimento de k-fold cross validation num arquivo de texto com o seguinte formato
+* Para cada um dos métodos de classificação, salvar os resultados (valor de todas as métricas) de cada fold Fi de  teste num arquivo de texto com o seguinte formato
-** Cada linha corresponde a uma repetição Fi do experimento de k-fold cross validation
+** Cada linha corresponde a um fold Fi de teste
 ** Cada coluna corresponde a uma métrica de avaliação

@@ Linha 10: / Linha 10: @@
 ** Remover do vocabulário as 6 seguintes classes gramaticais: artigo, conjunção, contração, interjeição, preposição e pronome
 ** Computar pesos dos termos usando tfidf
 . Configuração dos Experimentos

@@ Linha 2: / Linha 2: @@
 ----
-* Coleção
+. Coleção
-** Conjuntos de treino e teste
+* Conjuntos de treino e teste
-*** Conjunto CNAE: Tabela CNAE_110_SUBCLASSE, campo DESCRICAO_SUB, linhas 0 a 1182
+** Conjunto CNAE: Tabela CNAE_110_SUBCLASSE, campo DESCRICAO_SUB, linhas 0 a 1182
-*** Conjunto VIX: Tabela DADOS_VITORIA_SUB_110, campo OBJETO_SOCIAL, linhas 0 a 3280
+** Conjunto VIX: Tabela DADOS_VITORIA_SUB_110, campo OBJETO_SOCIAL, linhas 0 a 3280
-** Pré-processamento
+* Pré-processamento
-*** Usar o dicionário completo corrigido
+** Usar o dicionário completo corrigido
-*** Remover do vocabulário as 6 seguintes classes gramaticais: artigo, conjunção, contração, interjeição, preposição e pronome
+** Remover do vocabulário as 6 seguintes classes gramaticais: artigo, conjunção, contração, interjeição, preposição e pronome
-*** Computar pesos dos termos usando tfidf
+** Computar pesos dos termos usando tfidf
-* Configuração dos Experimentos
+. Configuração dos Experimentos
-** Usar a abordagem k-fold cross validation, com k=10. O conjunto VIX deverá ser particionado em k subconjuntos. Dos k subconjuntos, um único subconjunto deverá ser retido para testar o modelo, e os k-1 subconjuntos restantes deverão ser usados como dado de treino. O processo de cross-validation deverá ser repetido k vezes (folds F1, F2, ..., Fk), com cada um dos k subconjuntos usados exatamente uma vez como dado de teste.
+* Usar a abordagem k-fold cross validation, com k=10. O conjunto VIX deverá ser particionado em k subconjuntos. Dos k subconjuntos, um único subconjunto deverá ser retido para testar o modelo, e os k-1 subconjuntos restantes deverão ser usados como dado de treino. O processo de cross-validation deverá ser repetido k vezes (folds F1, F2, ..., Fk), com cada um dos k subconjuntos usados exatamente uma vez como dado de teste.
-*** Usar o conjunto CNAE como dado de treino em cada fold Fi
+** Usar o conjunto CNAE como dado de treino em cada fold Fi
-** Antes de executar o experimento de k-fold cross validation, calibrar os parâmetros de um método de classificação usando a abordagem k-fold cross validation, com k=10
+* Antes de executar o experimento de k-fold cross validation, calibrar os parâmetros de um método de classificação usando também a abordagem k-fold cross validation, com k=10
-*** O fold F1 deverá ser particionado em k subconjuntos. Dos k subconjuntos, um único subconjunto deverá ser retido para validar o modelo, e os k-1 subconjuntos restantes deverão ser usados como dado de treino. O processo de cross-validation para calibração deverá ser repetido k vezes (F11, F12, ..., F1k), com cada um dos subconjuntos F1j, 1<=j<=k, usados exatamente uma vez como dado de teste.
+** O fold F1 deverá ser particionado em k subconjuntos. Dos k subconjuntos, um único subconjunto deverá ser retido para validar o modelo, e os k-1 subconjuntos restantes deverão ser usados como dado de treino. O processo de cross-validation para calibração deverá ser repetido k vezes (F11, F12, ..., F1k), com cada um dos subconjuntos F1j, 1<=j<=k, usados exatamente uma vez como dado de teste.
-**** Usar o conjunto CNAE como dado de treino em cada fold F1j
+*** Usar o conjunto CNAE como dado de treino em cada fold F1j
-** Para cada um dos métodos de classificação, salvar os resultados (valor de todas as métricas) da repetição F1 do experimento de k-fold cross validation num arquivo de texto com o seguinte formato
+* Para cada um dos métodos de classificação, salvar os resultados (valor de todas as métricas) da repetição F1 do experimento de k-fold cross validation num arquivo de texto com o seguinte formato
-*** Cada linha corresponde a uma repetição Fi do experimento de k-fold cross validation
+** Cada linha corresponde a uma repetição Fi do experimento de k-fold cross validation
-*** Cada coluna corresponde a uma métrica de avaliação
+** Cada coluna corresponde a uma métrica de avaliação

@@ Linha 13: / Linha 13: @@
 * Configuração dos Experimentos
 ** Usar a abordagem k-fold cross validation, com k=10. O conjunto VIX deverá ser particionado em k subconjuntos. Dos k subconjuntos, um único subconjunto deverá ser retido para testar o modelo, e os k-1 subconjuntos restantes deverão ser usados como dado de treino. O processo de cross-validation deverá ser repetido k vezes (folds F1, F2, ..., Fk), com cada um dos k subconjuntos usados exatamente uma vez como dado de teste.
-*** Usar o conjunto CNAE como dado de treino em cada uma das repetições Fi do experimento de cross-validation
+*** Usar o conjunto CNAE como dado de treino em cada repetição Fi do experimento de cross-validation
 ** Para cada um dos métodos de classificação, salvar o valor de todas as métricas num arquivo de texto com o seguinte formato
 *** Cada linha corresponde a uma repetição Fi do experimento de k-fold cross validation
 *** Cada coluna corresponde a uma métrica de avaliação
 ** Para calibrar