Gustavo Eduardo Carnaval Barbosa
Resumo
Este trabalho apresenta uma metodologia para a geração de uma hierarquia de modelos de classificação supervisionada de forma que os modelos alocados em níveis hierarquicamente superiores sejam capazes de generalizar os modelos alocados em níveis inferiores. A metodologia fornece informações suficientes para a escolha do nível ótimo, podendo ponderar a relação entre acurácia e interpretabilidade do modelo. A quantidade de regras utilizadas no sistema fuzzy é gerada a partir da aplicação da análise espectral e os pesos de regra são calculados a partir da resolução de um problema de otimização quadrática. Os níveis hierárquicos são ajustados por um parâmetro que regula a similaridade entre os registros de treinamento, que influencia no número de regras obtido pela análise espectral. A metodologia foi aplicada a dez diferentes bases de benchmark e os resultados mostram que é favorável a análise da relação entre acurácia e interpretação a partir do conjunto de modelos hierárquicos apresentados.
Abstract
This work presents a methodology that generates a hierarchy of models for supervised classification in the sense that the models allocated at higher hierarchical levels are able to generalize the models allocated at lower levels. The methodology provides enough information to choose the optimal level considering the balance between accuracy and interpretability of the model. The number of rules used in the fuzzy system is generated from the application of spectral analysis and the rule’s weights are calculated by solving a quadratic optimization problem. The hierarchical levels are adjusted by a parameter that regulates the similarity between training data, which influences the number of rules obtained by spectral analysis. The methodology was applied to ten different benchmark datasets and the results show that it is favorable to analyze the balance between accuracy and interpretation from the set of hierarchical models presented.
