Sistema híbrido inteligente para geração, seleção e combinação de classificadores
| Autor: | LIMA, Tiago Pessoa Ferreira de |
|---|---|
| Přispěvatelé: | LUDERMIR, Teresa Bernarda |
| Jazyk: | portugalština |
| Rok vydání: | 2017 |
| Předmět: | |
| Zdroj: | Repositório Institucional da UFPE Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
| Popis: | FACEPE Diversos estudos em Aprendizagem de Máquina demonstram teoricamente e empiricamente que problemas de classificação geralmente apresentam melhores taxas de acerto através da combinação de múltiplos classificadores. Essa estratégia assemelha-se a natureza humana em buscar opiniões de diferentes especialistas, a fim de se obter uma decisão mais precisa. Contudo, nem sempre são selecionados os classificadores mais adequados para prever o padrão em questão, especialmente se tratando da combinação estática de classificadores. A seleção (ou combinação) dinâmica de classificadores é uma técnica que usa a ideia de regiões de competência, na qual presume-se que diferentes classificadores são mais apropriados para rotular padrões com diferentes graus de dificuldade. Embora os atuais métodos apresentem diferenças em vários aspectos, a regra que seleciona o(s) classificador(es), em geral, é genérica e fixa. Além disso, a hipótese utilizada para decidir se um classificador será selecionado é, na maioria das vezes, definida com base em apenas um único critério. Sistemas Híbridos Inteligentes são modelos que resultam da combinação de duas, ou mais técnicas distintas, visando unir vantagens para suprir deficiências individuais. Neste sentido, a presente pesquisa tem como objetivo propor e avaliar a hibridização de técnicas que orientem tanto a geração do conjunto de classificadores como a posterior combinação destes. Os resultados experimentais sugerem que o sistema proposto apresenta desempenho superior quando comparado com algumas das principais técnicas existentes na literatura. Several studies in Machine Learning demonstrate theoretically and empirically that classification problems usually present better hit rates through the combination of multiple classifiers. This strategy resembles human nature in seeking opinions from different experts in order to obtain a more precise decision. However, the best classifiers are not always selected to predict the pattern in question, especially when dealing with the static combination of classifiers. Dynamic classifier selection (or combining) is a technique that uses the idea of regions of competence, in which different classifiers are assumed to be more appropriate for labeling patterns with different degrees of difficulty. Although the current methods present differences in several aspects, the rule that selects the classifier(s), in general, is generic and fixed. In addition, the hypothesis used to decide whether a classifier will be selected is most often defined based on only one criterion. Hybrid Intelligent Systems are models that result from the combination of two, or more distinct techniques, aiming to unite advantages to supply individual deficiencies. In this sense, the present research aims to propose and evaluate the hybridization of techniques that guide both the generation of the set of classifiers and the subsequent combination of these. The experimental results suggest that the proposed system presents superior performance when compared to some of the main techniques in the literature. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|