Novas Abordagens para Configurações Automáticas dos Parâmetros de Controle em Comitês de
Classificadores
Bagging, Boosting, Multiboosting, Incremento de Diversidade em Ensembles,
Função de Avaliação Adaptativa, Meta-aprendizado, Meta-aprendizado Multirrótulo
Recentemente, 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, destacam-se os métodos que lançam mão das técnicas de reamostragem dos dados de
treinamento: Bagging, Boosting e Multiboosting. A escolha do tipo de arquitetura e dos componentes
a serem recrutados não é uma tarefa trivial, e tem motivado, ainda mais, o surgimento
de novas propostas na tentativa de se construir tais modelos de forma automática, e muitas delas,
são baseadas em métodos de otimização. Muitas dessas contribuições não têm apresentado
resultados satisfatórios quando aplicadas a problemas mais complexos ou de natureza distinta.
Em contrapartida, a Tese aqui apresentada, propõe três novas abordagens híbridas para construção
automática em ensembles: Incremento de Diversidade, Função de Avaliação Adaptativa e
Meta-aprendizado para a elaboração de sistemas de configuração automática dos parâmetros de
controle para os modelos de ensemble. Na primeira abordagem, é proposta uma solução que
combina diferentes técnicas de diversidade em um único arcabouço conceitual, na tentativa de
se alcançar níveis mais elevados de diversidade, e com isso, melhor o desempenho de tais sistemas.
Já na segunda abordagem, é proposta uma nova técnica de avaliação de indivíduos de uma
população de um algoritmo genético. A contribuição consiste em combinar as técnicas de filtro
e wrapper de forma adaptativa para evoluir uma melhor distribuição do espaço de atributos a serem
apresentados aos componentes de um ensemble. E por fim, a última abordagem, que propõe
uma nova técnica de recomendação de arquitetura e componentes base em ensemble, via técnicas
de meta-aprendizado tradicional e multirrótulo. De forma geral os resultados são animadores, e
corroboram com a Tese de que ferramentas híbridas são uma poderosa solução na construção de
ensembles eficientes em problemas de classificação de padrões.