Uma abordagem para pós-seleção de ensembles utilizando conceitos de
Oráculo e Multi-view Learning
Pós-seleção. Sistema de múltiplos classificadores. Seleção
dinâmica de ensembles, Multi-view Learning.
Os Sistema de múltiplos classificadores (SMC) foram desenvolvidos como
alternativa às abordagens tradicionais que utilizam classificadores
individuais. Entre as abordagens de SMC, os algoritmos de Seleção dinâmica
de ensemble (SDE) destacam-se por apresentarem melhor desempenho em
diversos cenários. Contudo, mesmo com os resultados promissores das
abordagens de SDE, dada a heterogeneidade dos cenários de aplicação, é
improvável que um único algoritmo SDE seja a solução ideal em todos os
casos. É diante dessa lacuna que este trabalho propõe um novo método
denominado Post-Selection Dynamic Ensemble Selection (OS DES). O PS-DES
atua como uma estratégia de pós-seleção, avaliando e escolhendo os melhores
ensembles selecionados por diferentes técnicas de SDE, para cada amostra
apresentada. Para avaliar os ensembles é proposta uma nova medida
denominada Hardness-aware Oracle (HaO). Ao contrário da avaliação
tradicional, aplicada em técnicas SDE que é centrada em classificadores
individuais, o HaO estende o conceito do Oráculo ao analisar como os
classificadores do ensemble selecionado cooperam entre si. Também é
proposto adicionar uma nova camada ao PS-DES, visando gerar mais
diversidade ao sistema, utilizando conceitos de Multi-view learning (MVL)
ao aplicar diversas funções de transformação nos dados originais. Essa
versão do PS-DES é chamada de Post-Selection Dynamic Ensemble Selection
with Multi-View Learning (PS-DES-MVL). Para avaliar as abordagens
propostas, foram realizados experimentos em 30 bases de dados, utilizando
configurações de pools homogêneas e heterogêneas com três
classificadores-base (Perceptron, Logistic Regression e Naive Bayes),
avaliando o OS DES com quatro abordagens de SDE estabelecidas na
literatura. A avaliação do PS-DES-MVL segue o mesmo arranjo experimental
apresentado para o PS-DES, adicionando a aplicação de técnicas de geração
de views. Os resultados demonstraram que o PS-DES supera ou obtém
resultados similares às abordagens SDE individuais, principalmente em
configurações de pools heterogêneos. Além disso, o PS-DES demonstrou
eficiência na escolha de técnicas SDE adequadas a diferentes situações. O
PS-DES-MVL, ao avaliar formas individuais de geração de views, obteve
resultados similares ou superiores na maior parte das análises.