Uso de Confiabilidade na Rotulação de Exemplos em Problemas de Classificação Multirrótulo com Aprendizado Semissupervisionado
Calssificação Multirrótulo, Aprendizado Semissupervisionado
As técnicas de Aprendizado de máquina estudam tarefas de classificação para a aquisição de conhecimento através de um conjunto de dados ou informações. Alguns métodos de aprendizado utilizados pela literatura são os métodos baseados em aprendizado semissupervisionado; este é representado por pequenos percentuais de exemplos rotulados (aprendizado supervisionado) combinados com uma quantidade de exemplos não rotulados (não-supervisionado) durante a fase de treinamento. Grande parte dos métodos de aprendizado de máquina tratam de problemas unirrótulo, ou seja, problemas onde exemplos de um determinado conjunto são associados a uma única classe; entretanto, diante da necessidade existente de classificar dados em uma grande quantidade de domínios, ou em mais de uma classe, essa classificação citada denomína-se classificação multirrótulo. Dessa maneira, a utilização de técnicas de aprendizado semissupervisionado, bem como de métodos de classificação multirrótulos, foram imprescindíveis na apresentação dos resultados. Este trabalho apresenta uma análise experimental dos resultados obtidos por meio da utilização do aprendizado semissupervisionado em problemas de classificação multirrótulo usando parâmetro de confiabilidade como auxílio na classificação do dados.