PPGCC - Programa de Pós-graduação em Ciência da Computação

URI permanente desta comunidadehttp://www.hml.repositorio.ufop.br/handle/123456789/596

Navegar

Filtros

2012 - 201912020 - 20231

Configurações

Assunto: search.filters.subject.Classificação hierárquica

Resultados da Pesquisa

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Detecção de fraudes financeiras em contas digitais : explorando abordagens hierárquicas e técnicas de aprendizado profundo.
    (2023) Souza, Andressa Oliveira; Luz, Eduardo José da Silva; Moreira, Gladston Juliano Prates; Luz, Eduardo José da Silva; Moreira, Gladston Juliano Prates; Lima, Helen de Cássia Sousa da Costa; Silva, Rodrigo César Pedrosa; Oliveira, Samuel Evangelista Lima de
    Nos últimos anos, houve um aumento na oferta de serviços financeiros por meio de aplicativos e internet banking, mas isso também levou a um aumento de contas digitais fraudulentas. Em problemas de detecção de fraudes financeiras, é comum encontrar um desbalanceamento significativo entre amostras não fraudulentas e fraudulentas, dificultando sua identificação. Dessa forma, este trabalho aborda a detecção dessas contas, utilizando métodos de sobreamostragem e classificação hierárquica para lidar com o desbalanceamento das classes. Também é investigado se o uso de deep learning com dados matriciais pode superar os classificadores tradicionais Random Forest e XGBoost. Os dados foram fornecidos pela Efí S.A. e incluem 45.209 contas organizadas de forma hierárquica. As contas são categorizadas em primeiro nível como Fraude ou Não Fraude, e no segundo nível, as não fraudes são divididas em quatro classes (A, B, C e D), enquanto as fraudes são divididas em duas (E e F). O problema foi abordado como classificação binária e multiclasse. A análise abrangente revelou que o uso dos métodos de sobreamostragem SMOTE e Borderline SMOTE melhorou as métricas de Sensibilidade e F-score para as classes fraudulentas nos classificadores tradicionais, na classificação binária e na multiclasse. A abordagem hierárquica destacou-se nas métricas de Precisão e F-score para as classes E e F, enquanto a abordagem plana apresentou o melhor desempenho em Sensibilidade para essas classes. O uso de deep learning com dados matriciais superou os classificadores tradicionais apenas na métrica de Sensibilidade na classificação binária.
  • Imagem de Miniatura
    Item
    Classificação automática de arritmias : um novo método usando classificação hierárquica.
    (Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto., 2012) Luz, Eduardo José da Silva; Gomes, David Menotti
    De acordo com a organização Mundial de Saúde (OMS), doenças cardíacas são a principal causa de morte no planeta. Todavia, a maioria das doenças cardíacas podem ser diagnosticas e tratadas com antecedência, com o auxílio de exames preventivos. O exame mais utilizado para diagnóstico de doenças cardíacas é chamado Eletrocardiograma (ECG) que podem identicar as arritmias. As arritmias podem se encaixar em duas categorias, arritmias formadas por um único batimento cardíaco irregular ou como um conjunto irregular de batimentos. As arritmias podem ser raras e inofensivas, mas também podem levar à morte rapidamente. Mais efetivo será seu tratamento, quando detectadas o quanto antes. Este trabalho apresenta duas contribuições principais: Primeiro, foi elaborada uma revisão da literatura dos métodos destinados à classificação de arritmias em sinais de ECG e segundo, foi proposto um novo método para classificação de arritmias usando classificação hierárquica. Como contribuições secundárias, investigaram-se novas características para representação do batimento cardíaco baseadas em uma representação 2D do sinal de ECG, o Vectorcardiograma (VCG), e redes complexas. Além disso, investigou-se o uso de uma abordagem wrapper para seleção de características com análise de sensibilidade neste contexto. Os resultados obtidos por este novo método usando classificação hierárquica são comparáveis aos resultados reportados por métodos estado-da-arte. As novas características propostas se mostraram eficientes para discriminação da classe SVEB, que é uma das classes minoritárias. A Classificação Hierárquica se mostrou promissora para o problema de classificação de arritmias e a técnica deve ser explorada por pesquisas futuras.