Análise das correlações entre as métricas de avaliação de desempenho de classificadores multirrótulo

• Autor(a) principal: Nascimento Junior, Serafim do
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFERSA
• Texto Completo: https://repositorio.ufersa.edu.br/handle/prefix/5549
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Métricas de Avaliação de Desempenho; Métodos de Transformação do Problema; Classificadores Multirrótulo; Correlação de Pearson; Correlação de Spearman; Performance Measures; Correlation Analysis; Pearson Correlation Coefficient; Spearman Correlation Coefficient.; Multi-label Classification

A classificação multirrótulo é uma tarefa de aprendizado de máquina em que objetos podem estar associados a mais de uma classe. É uma tarefa que necessita de algoritmos de classificação os quais requerem a utilização de métricas para avaliar o desempenho. Na literatura de aprendizado de máquina não foram identificados estudos na área os quais apontam a existência de correlações entre as métricas de avaliação de desempenho de classificadores multirrótulo. Tais estudos são importantes, pois podem auxiliar os pesquisadores da área no suporte a tomada de decisão sobre quais algoritmos podem ser escolhidos ou considerados para determinados métodos de transformação do problema. Neste contexto, este trabalho apresenta um estudo sobre as métricas de avaliação de desempenho dos algoritmos de classificação multirrótulo e as correlações existentes entre elas. O objetivo principal desta pesquisa foi identificar as correlações entre as métricas de avaliação de desempenho dos classificadores multirrótulo. Para que o objetivo fosse atingido foram utilizadas dez bases de dados multirrótulo; cinco métodos de transformação do problema multirrótulo para monorrótulo (BR, CC, LP, PS e RAkEL); cinco classificadores base (J48, KNN, NB, SVM e RIPPER); e doze métricas de avaliação de desempenho (HLoss, SAcc, Prec, Rec, FM, Acc, AvPrec, Cov, 1-Err, IsErr, ErrSS e RLoss). A metodologia de validação utilizada foi a validação cruzada com dez folds. Para a execução dos experimentos e o cálculo das métricas, a linguagem de programação JAVA e a biblioteca MULAN foram utilizadas. As correlações foram calculadas por meio dos coeficientes de correlação linear de Pearson e de correlação não linear de Spearman. Após a análise dos resultados, foi possível concluir que existem tanto correlações lineares quanto correlações não lineares entre as métricas selecionadas. As correlações encontradas possibilitaram identificar potenciais algoritmos de classificação os quais são mais apropriados para serem utilizados juntamente com os métodos de transformação do problema