Uma estratégia híbrida para o problema de classificação multirrótulo
AUTOR(ES)
Tiago Amador Coelho
FONTE
IBICT - Instituto Brasileiro de Informação em Ciência e Tecnologia
DATA DE PUBLICAÇÃO
29/03/2011
RESUMO
Este trabalho apresenta um novo método para resolver o problema de classificação multirrótulo, baseado no método de enxame de partículas, chamado Multi Label K-Nearest Michigam Particle Swarm Optimization (ML-KMPSO), que foi avaliado utilizando-se duas bases de dados reais. A aprendizagem multirrótulo se originou na categorização de textos, onde cada documento pode pertencer a várias classes simultaneamente. Neste trabalho é proposta uma nova abordagem híbrida, na qual o ML-KMPSO se enquadra. Esta abordagem é baseada em duas estratégias. A primeira estratégia é a divisão do problema multirrótulo em diversos problemas binários, sendo que para tal foi utilizado o Michigan Particle Swarm Optimization (MPSO) para resolvê-los, porém, esta estratégia não leva em consideração as correlações existentes entre as classes. Já a segunda estratégia tem como objetivo considerar as correlações existentes entre as classes utilizando o Multi Label K-Nearest Neighbor (ML-KNN). Avaliamos a performance do ML-KMPSO utilizando a base Yeast (classificação funcional de genes) e a base Scene (classificação semântica de cenas). Os resultados obtidos pelo ML-KMPSO se igualam ou superam algoritmos de classificação multirrótulo do estado da arte
ASSUNTO(S)
ACESSO AO ARTIGO
http://hdl.handle.net/1843/SLSS-8GQQA6Documentos Relacionados
- Uma abordagem híbrida para o problema de seleção de fornecedores em cadeia de suprimentos
- Uma heuristica para o problema de classificação de classificação de conferências explorando relacionamentos múltiplos e indiretos
- Uma Abordagem Hìbrida GRASP-ILS para o Problema de Projeto de Redes com Topologia Anel-Estrela
- Algoritmos de aproximação para o problema de classificação metrica
- Uma estrategia de duas fases para o problema de sequenciamento em celulas flexiveis de manufatura