Análise de Dinamicidade na Seleção de Parâmetros de Comitê de Classificadores
Comitê de classificadores. Seleção de estrutura dinâmica. Métodos de
combinação. Região de Competência.
Ao longo dos anos, um progresso significativo foi feito no domínio da pesquisa de comitê
de classificadores. Vários métodos para aumentar a eficiência foram propostos, aplicáveis a
estruturas de ensembles homogêneos e heterogêneos. Um desafio chave em relação a comitê
de classificadores reside em determinar a sua estrutura (hiperparâmetros). Basicamente, a
seleção da estrutura do comitê pode ser feita de duas maneiras diferentes, seleção estática e
dinâmica. Ao contrário da seleção estática, que independente dos parâmetros usa o mesmo
critério para realizar a classificação, a seleção dinâmica define a estrutura do comitê para
cada instância de teste. Diferentes métodos de seleção dinâmica têm sido propostos na
literatura, principalmente para membros do comitê e atributos da base de dados, mas
muito pouco esforço tem sido feito para propor métodos de seleção dinâmica para métodos
de combinação, também conhecidos métodos de fusão. Portanto, é importante avaliar o
impacto de uma seleção dinâmica de métodos de combinação ou de ambos (métodos e
membros) na criação de comitês de classificadores robustos. Este trabalho propõe uma
análise exploratória da seleção dinâmica dos principais parâmetros da estrutura de um
comitê. Para isso, serão avaliados três cenários diferentes: Comitês completamente estáticos;
Comitês parcialmente dinâmicos; e, Comitês completamente dinâmicos. Com o objetivo de
analisar os cenários dinâmicos, três métodos de fusão dinâmica são propostos. Cada um
se concentra em um enfoque específico: um por região de competência, outro por meta
aprendizado e o último por hipercaixas fuzzy. Por fim, será realizada uma análise empírica
destes cenários. Os resultados parciais mostram que o uso da seleção dinâmica tanto nos
membros do comitê, quanto nos métodos de combinação usando o fusão dinâmica por
região de competência formam comitês de classificadores mais robustos. Desta forma, é
esperado que as outras técnicas de fusão dinâmica também possam melhorar e impulsionar
o resultados dos classificadores utilizados.