Uma abordagem para a pós-seleção de ensembles utilizando conceitos de oráculo e multi-view learning

• Ano de defesa: 2024
• Autor(a) principal: CORDEIRO, Paulo Roger Gomes
• Orientador(a): CAVALCANTI, George Darmiton da Cunha
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Ciencia da Computacao
• País: Brasil
• Palavras-chave em Português: Pós-seleção; Sistemas de múltiplos classificadores; Seleção dinâmica de ensembles; Multi-view Learning
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/56918

Os Sistema de múltiplos classificadores (SMC) foram desenvolvidos como alternativa às abor- dagens tradicionais que utilizam classificadores individuais. Entre as abordagens de SMC, os algoritmos de Seleção dinâmica de ensemble (SDE) destacam-se por apresentarem melhor desempenho em diversos cenários. Contudo, mesmo com os resultados promissores das abor- dagens de SDE, dada a heterogeneidade dos cenários de aplicação, é improvável que um único algoritmo SDE seja a solução ideal em todos os casos. É diante dessa lacuna que este trabalho propõe um novo método denominado Post-Selection Dynamic Ensemble Selection (PS-DES). O PS-DES atua como uma estratégia de pós-seleção, avaliando e escolhendo os melhores ensembles selecionados por diferentes técnicas de SDE, para cada amostra apresentada. Para avaliar os ensembles é proposta uma nova medida denominada Hardness-aware Oracle (HaO). Ao contrário da avaliação tradicional, aplicada em técnicas SDE que é centrada em classifi- cadores individuais, o HaO estende o conceito do Oráculo ao analisar como os classificadores do ensemble selecionado cooperam entre si. Também é proposto adicionar uma nova camada ao PS-DES, visando gerar mais diversidade ao sistema, utilizando conceitos de Multi-view learning (MVL) ao aplicar diversas funções de transformação nos dados originais. Essa versão do PS-DES é chamada de Post-Selection Dynamic Ensemble Selection with Multi-View Le- arning (PS-DES-MVL). Para avaliar as abordagens propostas, foram realizados experimentos em 30 bases de dados, utilizando configurações de pools homogêneas e heterogêneas com três classificadores-base (Perceptron, Logistic Regression e Naive Bayes), avaliando o PS-DES com quatro abordagens de SDE estabelecidas na literatura. A avaliação do PS-DES-MVL segue o mesmo arranjo experimental apresentado para o PS-DES, adicionando a aplicação de técnicas de geração de views. Os resultados demonstraram que o PS-DES supera ou obtém resultados similares às abordagens SDE individuais, principalmente em configurações de pools hetero- gêneas. Além disso, o PS-DES demonstrou eficiência na escolha de técnicas SDE adequadas a diferentes situações. O PS-DES-MVL, ao avaliar formas individuais de geração de views, obteve resultados similares ou superiores na maior parte das análises.