Aplicação de Meta-aprendizado para Configuração Automática de Comitês de Classificadores
Meta-aprendizado, Comites de classificadores
Nos últimos anos, significativos avanços vêm surgindo em pesquisas relacionadas ao tema
de Comitês de Máquinas. Os modelos que mais recebem atenção na literatura são aqueles de
natureza estática, ou também conhecidos por ensembles. Dos algoritmos que fazem parte dessa
classe, podemos citar Bagging, Boosting e Multiboosting, que são métodos que lançam mão
das técnicas de reamostragem dos dados para construção dos ensembles. A escolha do tipo de
arquitetura, dos componentes a serem recrutados e qual método de combinação utilizar, não
é uma tarefa trivial, e tem motivado, mais recentemente, o surgimento de novas propostas na
tentativa de se construir tais modelos de forma automática, e muitas delas, são baseadas em
métodos bio-inspirados. Em contra partida, muitas dessas contribuições não têm apresentado
resultados satisfatórios quando aplicadas a problemas mais complexos. Desta forma, o objetivo
da proposta de pesquisa aqui apresentada é de aplicar Meta-aprendizado para a elaboração de
sistemas de recomendação dos parâmetros de controle para os modelos de ensemble Bagging,
Boosting e Multiboosting. Nesse caso, Meta-aprendizado surge como uma tentativa de explorar
o conhecimento obtido através da análise de várias atividades de aprendizado, na tentativa de
melhorar dinamicamente a eficiência desses algoritmos.