Meta-aprendizado para anÃlise de desempenho de mÃtodos de classificaÃÃo multi-label,

AUTOR(ES)

Eduardo Ribas Pinto

DATA DE PUBLICAÇÃO

2009

RESUMO

Nos Ãltimos anos, tÃm surgido diversas aplicaÃÃes que utilizam algoritmos de Aprendizagem de MÃquina Supervisionada para resolver problemas de classificaÃÃo envolvendo diversos domÃnios. No entanto, muitas destas aplicaÃÃes se restringem a utilizarem algoritmos singlelabel, ou seja, que atribuem apenas uma classe a uma dada instÃncia. Tais aplicaÃÃes se tornam inadequadas quando essa mesma instÃncia, no mundo real, pertence a mais de uma classe simultaneamente. Tal problema à denominado na literatura como Problema de ClassificaÃÃo Multi-Label. Atualmente, hà uma diversidade de estratÃgias voltadas para resolver problemas multi-label. Algumas delas fazem parte de um grupo denominado de MÃtodos de TransformaÃÃo de Problemas. Essa denominaÃÃo vem do fato de esse tipo de estratÃgia buscar dividir um problema de classificaÃÃo multi-label em vÃrios problemas single-label de modo a reduzir sua complexidade. Outras buscam tratar conjuntos de dados multi-label diretamente, sendo conhecidas como MÃtodos de AdaptaÃÃo de Algoritmos. Em decorrÃncia desta grande quantidade de mÃtodos multi-label existentes, à bastante difÃcil escolher o mais adequado para um dado domÃnio. Diante disso, a presente dissertaÃÃo buscou atingir dois objetivos: realizaÃÃo de um estudo comparativo entre mÃtodos de transformaÃÃo de problemas muito utilizados na atualidade e a aplicaÃÃo de duas estratÃgias de Meta-Aprendizado em classificaÃÃo multi-label, a fim de predizer, com base nas caracterÃsticas descritivas de um conjunto de dados, qual algoritmo à mais provÃvel de obter um desempenho melhor em relaÃÃo aos demais. As abordagens de Meta-aprendizado utilizadas no nosso trabalho foram derivadas com base em tÃcnicas de anÃlise de correlaÃÃo e mineraÃÃo de regras. O uso de Meta-Aprendizado no contexto de classificaÃÃo multi-label à original e apresentou resultados satisfatÃrios nos nossos experimentos, o que aponta que este pode ser um guia inicial para o desenvolvimento de pesquisas futuras relacionadas.

ASSUNTO(S)

classificaÃÃo multi-label, meta-aprendizado, aprendizagem de mÃquina aprendizagem de mÃquina ciencia da computacao classificaÃÃo multi-label meta-aprendizado

Documentos Relacionados

• AnÃlise crÃtica da classificaÃÃo MCT para solos tropicais.
• Estudo comparativo de mÃtodos de anÃlise de desempenho de turbinas axiais.
• ComparaÃÃo dos mÃtodos anÃlise por envoltÃria de dados e anÃlise por fronteira estocÃstica em avaliaÃÃo de eficiÃncia.
• Limite mÃnimo de detecÃÃo de mÃtodos de anÃlise de Salmonelas spp. em alimentos: uma contribuiÃÃo metodolÃgica
• ContribuiÃÃo ao processo de regionalizaÃÃo de vazÃes : AnÃlise de mÃtodos e variÃveis explicativas