Multi-Level Stacking de Classificadores

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Boldrin, Fabiana Coutinho
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Artificial intelligence
Classificação
Classification
Combinação de classificadores
Ensembles
Inteligência artificial
Meta-aprendizado
Meta-learning
Link de acesso: https://www.teses.usp.br/teses/disponiveis/59/59143/tde-27052025-165944/
Resumo: Técnicas de combinação de classificadores (ensembles) como o stacking têm sido amplamente utilizadas desde 1992. O stacking tradicional combina as predições de diferentes classificadores, treinados com o mesmo conjunto de dados, usando estratégias como voto majoritário, pesos ou meta-classificadores. Este trabalho propõe o Multi-Level Stacking (MLS), um algoritmo que estende o stacking tradicional ao incorporar múltiplos níveis de aprendizado. O MLS consiste em camadas de classificadores, em que cada level agrega as predições do level anterior, refinando progressivamente as predições. Experimentos com datasets reais e artificiais, utilizando diferentes meta-algoritmos (Árvores de Decisão, Naive Bayes, and Support Vector Machines) e variando o número de níveis, foram conduzidos para avaliar o desempenho do MLS. Os resultados, mensurados pelas métricas de erro e ROC AUC, mostram que o MLS, com o meta-algoritmo Árvore de Decisão (DT), apresenta ganhos de desempenho estatisticamente relevantes em comparação ao stacking tradicional de level único. A pesquisa contribui para o avanço das técnicas de ensemble learning ao explorar a dimensão dos níveis de aprendizado no stacking, com potencial para melhorar a acurácia em tarefas de classificação.
id USP_cc1fad4546f223acf86faf10c5d5da26
oai_identifier_str oai:teses.usp.br:tde-27052025-165944
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Multi-Level Stacking de ClassificadoresMulti-level stacking of classifiersArtificial intelligenceClassificaçãoClassificationCombinação de classificadoresEnsemblesInteligência artificialMeta-aprendizadoMeta-learningTécnicas de combinação de classificadores (ensembles) como o stacking têm sido amplamente utilizadas desde 1992. O stacking tradicional combina as predições de diferentes classificadores, treinados com o mesmo conjunto de dados, usando estratégias como voto majoritário, pesos ou meta-classificadores. Este trabalho propõe o Multi-Level Stacking (MLS), um algoritmo que estende o stacking tradicional ao incorporar múltiplos níveis de aprendizado. O MLS consiste em camadas de classificadores, em que cada level agrega as predições do level anterior, refinando progressivamente as predições. Experimentos com datasets reais e artificiais, utilizando diferentes meta-algoritmos (Árvores de Decisão, Naive Bayes, and Support Vector Machines) e variando o número de níveis, foram conduzidos para avaliar o desempenho do MLS. Os resultados, mensurados pelas métricas de erro e ROC AUC, mostram que o MLS, com o meta-algoritmo Árvore de Decisão (DT), apresenta ganhos de desempenho estatisticamente relevantes em comparação ao stacking tradicional de level único. A pesquisa contribui para o avanço das técnicas de ensemble learning ao explorar a dimensão dos níveis de aprendizado no stacking, com potencial para melhorar a acurácia em tarefas de classificação.Ensemble methods, such as stacking, have been widely used since their introduction in 1992. Traditional stacking combines the predictions of different classifiers, trained on the same dataset, using strategies like majority voting, weighting, or meta-classifiers. This work proposes Multi-level Stacking (MLS), an algorithm that extends traditional stacking by incorporating multiple levels of learning. MLS consists of layers of classifiers, where each level aggregates the predictions of the previous level, progressively refining the predictions. Experiments with real and artificial datasets, using different meta-algorithms (Decision Trees, Naive Bayes, and Support Vector Machines), and varying the number of levels, were conducted to evaluate the performance of MLS. The results, measured by error rate and ROC AUC, demonstrate that MLS, with Decision Tree as the meta-algorithm, achieves statistically significant performance gains compared to traditional single-level stacking. This research contributes to the advancement of ensemble learning techniques by exploring the dimension of learning levels in stacking, with the potential to improve accuracy in classification tasks.Biblioteca Digitais de Teses e Dissertações da USPBaranauskas, José AugustoBoldrin, Fabiana Coutinho2025-04-04info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/59/59143/tde-27052025-165944/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPReter o conteúdo por motivos de patente, publicação e/ou direitos autoriais.info:eu-repo/semantics/openAccesspor2025-06-02T18:34:02Zoai:teses.usp.br:tde-27052025-165944Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212025-06-02T18:34:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Multi-Level Stacking de Classificadores
Multi-level stacking of classifiers
title Multi-Level Stacking de Classificadores
spellingShingle Multi-Level Stacking de Classificadores
Boldrin, Fabiana Coutinho
Artificial intelligence
Classificação
Classification
Combinação de classificadores
Ensembles
Inteligência artificial
Meta-aprendizado
Meta-learning
title_short Multi-Level Stacking de Classificadores
title_full Multi-Level Stacking de Classificadores
title_fullStr Multi-Level Stacking de Classificadores
title_full_unstemmed Multi-Level Stacking de Classificadores
title_sort Multi-Level Stacking de Classificadores
author Boldrin, Fabiana Coutinho
author_facet Boldrin, Fabiana Coutinho
author_role author
dc.contributor.none.fl_str_mv Baranauskas, José Augusto
dc.contributor.author.fl_str_mv Boldrin, Fabiana Coutinho
dc.subject.por.fl_str_mv Artificial intelligence
Classificação
Classification
Combinação de classificadores
Ensembles
Inteligência artificial
Meta-aprendizado
Meta-learning
topic Artificial intelligence
Classificação
Classification
Combinação de classificadores
Ensembles
Inteligência artificial
Meta-aprendizado
Meta-learning
description Técnicas de combinação de classificadores (ensembles) como o stacking têm sido amplamente utilizadas desde 1992. O stacking tradicional combina as predições de diferentes classificadores, treinados com o mesmo conjunto de dados, usando estratégias como voto majoritário, pesos ou meta-classificadores. Este trabalho propõe o Multi-Level Stacking (MLS), um algoritmo que estende o stacking tradicional ao incorporar múltiplos níveis de aprendizado. O MLS consiste em camadas de classificadores, em que cada level agrega as predições do level anterior, refinando progressivamente as predições. Experimentos com datasets reais e artificiais, utilizando diferentes meta-algoritmos (Árvores de Decisão, Naive Bayes, and Support Vector Machines) e variando o número de níveis, foram conduzidos para avaliar o desempenho do MLS. Os resultados, mensurados pelas métricas de erro e ROC AUC, mostram que o MLS, com o meta-algoritmo Árvore de Decisão (DT), apresenta ganhos de desempenho estatisticamente relevantes em comparação ao stacking tradicional de level único. A pesquisa contribui para o avanço das técnicas de ensemble learning ao explorar a dimensão dos níveis de aprendizado no stacking, com potencial para melhorar a acurácia em tarefas de classificação.
publishDate 2025
dc.date.none.fl_str_mv 2025-04-04
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/59/59143/tde-27052025-165944/
url https://www.teses.usp.br/teses/disponiveis/59/59143/tde-27052025-165944/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Reter o conteúdo por motivos de patente, publicação e/ou direitos autoriais.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Reter o conteúdo por motivos de patente, publicação e/ou direitos autoriais.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1844786348578308096

Registros relacionados