Return to search

Meta-aprendizado para análise de desempenho de métodos de classificação multi-label

Made available in DSpace on 2014-06-12T15:52:45Z (GMT). No. of bitstreams: 1
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2009 / Nos últimos anos, têm surgido diversas aplicações que utilizam algoritmos de Aprendizagem
de Máquina Supervisionada para resolver problemas de classificação envolvendo diversos
domínios. No entanto, muitas destas aplicações se restringem a utilizarem algoritmos singlelabel,
ou seja, que atribuem apenas uma classe a uma dada instância. Tais aplicações se
tornam inadequadas quando essa mesma instância, no mundo real, pertence a mais de uma
classe simultaneamente. Tal problema é denominado na literatura como Problema de Classificação
Multi-Label. Atualmente, há uma diversidade de estratégias voltadas para resolver
problemas multi-label. Algumas delas fazem parte de um grupo denominado de Métodos de
Transformação de Problemas. Essa denominação vem do fato de esse tipo de estratégia
buscar dividir um problema de classificação multi-label em vários problemas single-label de
modo a reduzir sua complexidade. Outras buscam tratar conjuntos de dados multi-label diretamente,
sendo conhecidas como Métodos de Adaptação de Algoritmos. Em decorrência
desta grande quantidade de métodos multi-label existentes, é bastante difícil escolher o mais
adequado para um dado domínio. Diante disso, a presente dissertação buscou atingir dois
objetivos: realização de um estudo comparativo entre métodos de transformação de problemas
muito utilizados na atualidade e a aplicação de duas estratégias de Meta-Aprendizado
em classificação multi-label, a fim de predizer, com base nas características descritivas de
um conjunto de dados, qual algoritmo é mais provável de obter um desempenho melhor em
relação aos demais. As abordagens de Meta-aprendizado utilizadas no nosso trabalho foram
derivadas com base em técnicas de análise de correlação e mineração de regras. O uso de
Meta-Aprendizado no contexto de classificação multi-label é original e apresentou resultados
satisfatórios nos nossos experimentos, o que aponta que este pode ser um guia inicial para
o desenvolvimento de pesquisas futuras relacionadas

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/1842
Date31 January 2009
CreatorsPINTO, Eduardo Ribas
ContributorsPRUDÊNCIO, Ricardo Bastos Cavalcante
PublisherUniversidade Federal de Pernambuco
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0019 seconds