Configuração Heterogênea de Ensembles de Classificadores: Investigação em Bagging, Goosting e MultiBoosting. / Configuração heterogênea de ensembles de classificadores : investigação em bagging, boosting e multiboosting

AUTOR(ES)

DIEGO SILVEIRA COSTA NASCIMENTO

DATA DE PUBLICAÇÃO

2009

RESUMO

Este trabalho apresenta um estudo quanto à caracterização e avaliação de seis novos algoritmos de comitês de máquinas heterogêneos, sendo estes destinados à resolução de problemas de classificação de padrões. Esses algoritmos são extensões de modelos já encontrados na literatura e que vêm sendo aplicados com sucesso em diferentes domínios de pesquisa. Seguindo duas abordagens, uma evolutiva e outra construtiva, diferentes algoritmos de aprendizado de máquina (indutores) podem ser utilizados para fins de indução dos componentes do ensemble a serem treinados por Bagging, Boosting ou MultiBoosting padrão sobre os dados reamostrados, almejando-se o incremento da diversidade do modelo composto resultante. Como meio de configuração automática dos diferentes tipos de componentes, adota-se um algoritmo genético customizado para a primeira abordagem e uma busca de natureza gulosa para a segunda abordagem. Para fins de validação da proposta, foi conduzido um estudo empírico envolvendo 10 diferentes tipos de indutores e 18 problemas de classificação extraídos do repositório UCI. Os valores de acuidade obtidos via ensembles heterogêneos evolutivos e construtivos são analisados com base naqueles produzidos por modelos de ensembles homogêneos compostos pelos 10 tipos de indutores utilizados, sendo que em grande parte dos casos os resultados evidenciam ganhos de desempenho de ambas as abordagens. Palavras-chave: Aprendizado de máquina, Comitês de máquinas, Bagging, Wagging, Boosting, MultiBoosting, Algoritmo genético.

ASSUNTO(S)

aprendizagem computacional - dissertaÇÕes sistemas de informacao algoritmo - dissertaÇÕes

Documentos Relacionados

• Seleção de componentes em ensembles de clasificadores multirrótulo
• Estimação não parametrica aplicada a problemas de classificação via Bagging e Boosting
• Combination of symbolic classifiers to improve predictive and descriptive power of ensembles
• Modelos de classificação de risco de crédito para financiamentos imobiliários: regressão logística, análise discriminante, árvores de decisão, bagging e boosting
• Utilizando Pesos estáticos e dinâmicos em sistemas multi-classificadores com diferentes níveis de diversidade