Leonardo Ponte Daister
Título
Estratégias para Desenvolvimento de Sistemas de Múltiplos Classificadores em Aprendizado Supervisionado
Resumo
Métodos baseados na combinação de classificadores tem sido alvo de interesse crescente em problemas de aprendizado supervisionado. Geralmente, objetivam gerar sistemas de classificação mais robustos em relação aos classificadores individuais envolvidos. Apresenta-se aqui, estudos e desenvolvimentos de modelos de sistemas de múltiplos classificadores visando um maior entendimento de seu comportamento bem como apresentar estratégias eficientes e viáveis de serem aplicadas em problemas de classificação. Especificamente, um modelo de sistema de múltiplos classificadores hierárquico é introduzido, onde aproveita-se as características específicas de cada classificador individual, dentre eles as máquinas de vetor suporte, de forma a se ter melhor desempenho computacional do sistema. Exemplos numéricos em bancos de dados reais e sintéticos são apresentados para atestar a eficiência das estratégias desenvolvidas.
Abstract
Methods based on ensemble classifier systems applied on supervised machine learning problems are subject to an intensive research effort. One presents here, studies and developments of ensemble classifier models in order to obtain better understanding of its behavior and introduce practical and efficient strategies. Specifically, one introduces a hierarchical ensemble classifier system that improves the utilization of the individual classifiers involved, e.g., support vector machines, to diminish the necessary computational effort. Numerical examples using simulated and real data are performed in order to attest the efficiency of the developed strategies.
