Please use this identifier to cite or link to this item: http://repositorio.ufc.br/handle/riufc/65408
Type: TCC
Title: Uma análise dos impactos de hiperparâmetros aplicados ao algoritmo kde para a geração de mapas de hotspots criminais
Authors: Costa, Cleison Hernany
Advisor: Magalhães, Regis Pires
Co-advisor: Nunes Júnior, Francisco Carlos Freire
Keywords: Otimização;Algoritmos;Parâmetros
Issue Date: 2022
Citation: COSTA, Cleison Hernany. Uma análise dos impactos de hiperparâmetros aplicados ao algoritmo kde para a geração de mapas de hotspots criminais. 2022. 40 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação)-Universidade Federal do Ceará, Campus de Quixadá, Quixadá, 2022.
Abstract in Brazilian Portuguese: O uso de aprendizado de máquina vem crescendo a cada dia e conta com aplicações em diversas áreas do cotidiano. Um exemplo do uso de aprendizado de máquina está na área de segurança pública, na qual existe uma necessidade de determinar locais de risco para que sejam direcionados reforços de patrulhamento. Diversos métodos já foram propostos para resolver esse problema. Em sua grande maioria, essas técnicas precisam que sejam feitas manualmente a configuração de parâmetros para que possam obter melhores resultados. Nessa necessidade, encontra-se o problema de otimização de hiperparâmetros. Este trabalho busca analisar os impactos de diferentes hiperparâmetros no resultado do modelo, para isso, são utilizadas as técnicas de otimização de hiperparâmetros grid search e random search, tendo como caso de uso o problema de geração de mapas de hotspots de crimes utilizando a técnica KDE. Além disso, este trabalho propõe uma extensão do KDE, combinando funções de kernel no espaço e no tempo como hiperparâmetros de otimização para melhorar os resultados. Os experimentos demonstram que com o uso do random search obteve-se resultados tendo avaliação até 7,63% melhor do que é obtido usando o grid search, devido principalmente a utilização de um bandwidth menor (318m). Também é observado que adicionar ao KDE uma função de kernel no tempo que diminui a relevância dos eventos mais antigos, resulta em uma melhora de 4,31% nos resultados do grid search.
Abstract: The use of machine learning is growing every day and has applications in several areas of everyday life. An example of the use of machine learning is in the area of public safety, where there is a need to determine risky locations so that patrolling reinforcements can be directed. Several methods have already been proposed to solve this problem. For the most part, these techniques need to be manually configured parameters so that they can obtain better results. In this need, there is the problem of hyperparameter optimization. This work seeks to analyze the impacts of different hyperparameters on the model result, for this, the grid search and random search hyperparameter optimization techniques are used, having the problem as a use case. for generating crime hotspot maps using the KDE technique. Furthermore, this work proposes an extension of KDE, combining kernel functions in space and time as optimization hyperparameters to improve results. The experiments demonstrate that with the use of random search, results were obtained with an evaluation up to 7.63% better than what is obtained using the grid search, mainly due to the use of a lower bandwidth (318m). It is also observed that adding a kernel time function to KDE that decreases the relevance of older events results in a 4.31% improvement in grid search results.
URI: http://www.repositorio.ufc.br/handle/riufc/65408
Appears in Collections:CIÊNCIA DA COMPUTAÇÃO-QUIXADÁ - Monografias

Files in This Item:
File Description SizeFormat 
2021_tcc_chcosta.pdf1,4 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.