Autores

6040
2770,2489,2771
6041
2770,2489,2771
6042
2770,2489,2771

Informações:

Publicações do PESC

Título
Particionamento Dinâmico para Algoritmo Local de Classificação
Linha de pesquisa
Inteligência Artificial
Tipo de publicação
Dissertação de Mestrado
Número de registro
Data da defesa
30/6/2016
Resumo

Nesta dissertação é proposto um novo algoritmo supervisionado que utiliza uma abordagem local de classificação com uma arquitetura de particionamento dinâmico. Entende-se por métodos locais aqueles que utilizam informações de apenas uma determinada sub-região do espaço para a tomada de decisão, como a vizinhança de uma nova observação, ao invés de tentar encontrar uma única regra de classificação que utiliza todas as observações possíveis do problema. Desse modo, delineou-se uma metodologia de particionamento dinâmico que busca automaticamente por subconjuntos de observações com proporção majoritária de uma única classe. Infere-se através de uma taxa de erro por subconjunto, aqueles que possuem mais chance de pertencerem a uma classe e quais deles apresentam uma região mais complexa de separação de classes, onde observações com atributos similares apresentam classes divergentes. Dez conjuntos de dados reais foram testados. O algoritmo proposto mostrou desempenho bem similar à métodos clássicos da área de Reconhecimento de Padrões. Além disso, em alguns casos, há uma maior interpretabilidade e transparência dos resultados do modelo pois sabe-se em quais subconjuntos são obtidos uma melhor taxa de acerto para novas observações e quais terão taxa menor, diferente de outros métodos que apresentam uma taxa de acerto média para todo o conjunto de dados. 

Abstract

This work presents a new supervised algorithm that uses a local approach to classification with a dynamic partitioning architecture. Local methods can be defined as those that use information from only a particular sub-region of space for decision making, such as the neighborhood of a new observation, rather than trying to find a classification rule that uses all possible observations from the problem. Thus, a dynamic partitioning method that automatically search for subsets of observations with majority proportion of a single class is proposed. It is inferred through an error rate per subset, those more likely to belong to a class and which ones have a more complex area of separation of classes, where observations with similar attributes have different outputs. Ten data sets of real data were tested. The proposed algorithm showed very similar performance to traditional methods of Pattern Recognition. Moreover, in some cases, there is a greater interpretability and transparency of the model results because it is known in which subsets are obtained a better success rate for new observations and which have lower rate, unlike other methods that have an average error rate for the entire data set. 

Arquivo
Topo