Submitted by Luiz Felipe Barbosa (luiz.fbabreu2@ufpe.br) on 2015-03-09T14:50:57Z No. of bitstreams: 2 DISSERTAÇÃO Henrique Alexandre de Menezes Sabino.pdf: 6700092 bytes, checksum: 8c6bc8de7d1a8e7ec2a85b2753260399 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-09T14:50:57Z (GMT). No. of bitstreams: 2 DISSERTAÇÃO Henrique Alexandre de Menezes Sabino.pdf: 6700092 bytes, checksum: 8c6bc8de7d1a8e7ec2a85b2753260399 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2014-08-15 / Em aprendizagem de máquina, uma das dificuldades mais recorrentes é a escolha do classificador que melhor resolve um determinado problema. Devido a isso, muitos estudos mostraram que problemas de classificação têm maiores taxas de acerto quando classificadores são combinados ao invés de apenas um classificador individual. A Seleção Dinâmica é uma estratégia para a combinação de múltiplos classificadores que usa a região de competência, no qual acredita-se que um subconjunto de classificadores seja mais competente para classificar um dado padrão de consulta. A abordagem tradicional de seleção dinâmica é composta por três fases: Superprodução, Região de Competência e Seleção Dinâmica. Vários métodos têm sidos propostos na fase de Superprodução, responsável pela geração de classificadores, e na fase de Seleção Dinâmica, responsável pela heurística de seleção, porém pouco foi estudado sobre a fase de Região de Competência. A fase de Região de Competência é responsável pela seleção dos padrões vizinhos do padrão de consulta, e é a principal informação para a seleção dos classificadores através da heurística de seleção. Devido à importância da região de competência, este trabalho propõe uma abordagem para seleção dinâmica que visa melhorar a definição da região de competência, tendo como hipótese que uma melhor definição dessa região resulta em um melhor desempenho de seleção dinâmica. Isso é realizado através de duas técnicas: filtragem de instâncias e distância adaptativa. Essas técnicas têm como finalidade a redução de padrões indesejáveis, e portanto são responsáveis por melhorar a qualidade da região de competência. Os experimentos foram realizados em 17 bases de dados utilizando 6 métodos diferentes de seleção dinâmica de classificadores. Os resultados mostraram que a abordagem proposta melhorou a taxa de acerto da seleção dinâmica, em relação a abordagem tradicional, em 10 bases com diferenças estatisticamente significativas, e em 5 dos 6 métodos de seleção dinâmica. No trabalho, também foi analisada a influência dos componentes do sistema de seleção dinâmica, e as descrições das bases de dados que influenciam a diferença dos resultados entre a abordagem proposta e a abordagem tradicional. Os resultados dessas análises mostraram que o método de seleção dinâmica e o classificador base são os componentes do sistema de seleção dinâmica que melhor determinam a taxa de acerto, e que o número de dimensões e o número de classes são os fatores que mais contribuem para a diferença de resultados entre as abordagens, proposta e tradicional.