Novas abordagens para configurações automáticas dos parâmetros de controle em comitês de classificadores

• Autor(a) principal: Nascimento, Diego Silveira Costa
• Data de Publicação: 2014
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/jspui/handle/123456789/19754
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO; Bagging; Boosting; Multiboosting; Incremento de diversidade em ensembles; Função de avaliação adaptativa; Meta-aprendizado; Meta-aprendizado multirrótulo

Significativos avanços vêm surgindo em pesquisas relacionadas ao tema de Comitês de Classificadores. Os modelos que mais recebem atenção na literatura são aqueles de natureza estática, ou também conhecidos por ensembles. Dos algoritmos que fazem parte dessa classe, destacam-se os métodos que utilizam reamostragem dos dados de treinamento: Bagging, Boosting e Multiboosting. A escolha do tipo de arquitetura e dos componentes a serem recrutados não é uma tarefa trivial, e tem motivado, ainda mais, o surgimento de novas propostas na tentativa de se construir tais modelos de forma automática e, muitas delas, são baseadas em métodos de otimização. Muitas dessas contribuições não têm apresentado resultados satisfatórios quando aplicadas a problemas mais complexos ou de natureza distinta. Em contrapartida, a tese aqui apresentada propõe três novas abordagens híbridas para construção automática em ensembles de classificadores: Incremento de Diversidade, Função de Avaliação Adaptativa e Meta-aprendizado para a elaboração de sistemas de configuração automática dos parâmetros de controle para os modelos de ensemble. Na primeira abordagem, é proposta uma solução que combina diferentes técnicas de diversidade em um único arcabouço conceitual, na tentativa de se alcançar níveis mais elevados de diversidade em ensemble, e com isso, melhor o desempenho de tais sistemas. Já na segunda abordagem, é utilizado um algoritmo genético para o design automático de ensembles. A contribuição consiste em combinar as técnicas de filtro e wrapper de forma adaptativa para evoluir uma melhor distribuição do espaço de atributos a serem apresentados aos componentes de um ensemble. E por fim, a última abordagem, que propõe uma nova técnica de recomendação de arquitetura e componentes base em ensemble, via técnicas de meta-aprendizado tradicional e multirrótulo. De forma geral os resultados são animadores, e corroboram com a tese de que ferramentas híbridas são uma poderosa solução na construção de ensembles eficazes em problemas de classificação de padrões