Estratégias de decisão em aprendizado de máquina multi-objetivo

• Autor(a) principal: Talles Henrique de Medeiros
• Data de Publicação: 2019
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/37890
• topic: Aprendizado de máquina; Otimização multiobjetivo; Redes neurais artificiais; Tomada de decisão; Engenharia elétrica; Aprendizado do computador; Otimização multiobjetivo; Redes neurais (Computação); Processo decisório

Este trabalho aborda o problema da seleção de modelos obtidos por meio do aprendizado de máquina multiobjetivo e apresenta estratégias para escolha no conjunto Pareto-ótimo. Dentro da abordagem multiobjetivo são obtidas diversas opções de soluções candidatas, caracterizadas por não-dominância entre si. Como parte da abordagem multiobjetivo, é necessário um procedimento de decisão dentre o conjunto de soluções candidatas que foram geradas. Em aprendizagem de máquina, o critério de decisão deverá retratar o dilema do equilíbrio entre os efeitos de polarização e de variância, tema central da aprendizagem de máquina e indicar uma solução que melhor represente este equilíbrio. As estratégias de decisão propostas neste trabalho foram definidas para dois dos principais problemas do aprendizado supervisionado: a classificação e a regressão. Essas estratégias caracterizam-se por serem independentes de reamostragem e da estrutura do modelo usado. A capacidade de usar novas informações para ajudar no processo de seleção do modelo garantiu avanços na abordagem do dilema entre a polarização e a variância em aprendizagem de máquina. Os resultados numéricos, por meio de problemas de aprendizagem com dados artificiais e reais, foram avaliados com outras conhecidas estratégias de decisão, como: o método da Curva L, o método do erro de validação e, além disso, comparados com os resultados apresentados por outros algoritmos de aprendizado como as Máquinas de Vetores Suporte (Support Vector Machines). Com os resultados apresentados os métodos de decisão permitiram que os algoritmos de treinamento tivessem um melhor aproveitamento do conjunto de dados original e, consequentemente, uma melhoria na capacidade de generalização. Assim, o processo de decisão em aprendizado de máquina supervisionado, sob a perspectiva da otimização multiobjetivo, trouxe um novo roteiro de seleção de modelos segundo o problema em questão, tornando o procedimento bem estruturado e determinístico.