e-NEAT: Um Arcabouço de Combinação de Classificadores baseados em Neuroevolução
Técnicas de aprendizado de máquina são aplicadas em diversas áreas do conhecimento, de modo a criar modelos que sejam capazes de auxiliar ou substituir tarefas realizadas por pessoas. Considerando modelos de aprendizado de máquina mais tradicionais, nota-se certa dependência desses com a presença de...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2023 |
| País: | Brasil |
| Institución: | Universidade Federal de São Paulo (UNIFESP) |
| Repositorio: | Repositório Institucional da UNIFESP |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.unifesp.br:11600/67473 |
| Acceso en línea: | https://repositorio.unifesp.br/handle/11600/67473 |
| Access Level: | acceso abierto |
| Palabra clave: | aprendizagem de máquina comitê de classificadores autoML neuroevolução NEAT |
| Sumario: | Técnicas de aprendizado de máquina são aplicadas em diversas áreas do conhecimento, de modo a criar modelos que sejam capazes de auxiliar ou substituir tarefas realizadas por pessoas. Considerando modelos de aprendizado de máquina mais tradicionais, nota-se certa dependência desses com a presença de um especialista, que possua conhecimento tanto do domínio do problema quanto das ferramentas, de modo a gerar e parametrizar o modelo corretamente. Visto isso, novas técnicas e algoritmos ganham destaque na tarefa tornar tal processo mais automatizado e com menos dependência de um especialista. Esses fazem parte de um paradigma conhecido por Automated Machine Learning. Uma das abordagens pertencente a essa família de algoritmos consiste no uso de operadores genéticos para a concepção de redes neurais artificiais, tal técnica é conhecida por neuroevolução, sendo essa capaz de atuar na evolução dos elementos topológicos da rede, possibilitando assim, que ela se adapte a cenários de diferentes complexidades. Dentro do paradigma de aprendizado de máquina, existe uma linha de pensamento que defende que na resolução de um problema, um conjunto de preditores (comitê), quando combinados por algum critério de agregação, tende a obter melhores resultados se comparado a um único preditor. Porém, para que isso seja possível, se acredita ser necessário um comitê que contenha integrantes diversos, ou seja, que mapeiem o problema de forma distinta e eficiente, bem como, tenham seus votos agregados adequadamente para que o resultado final seja satisfatório. Nesse contexto, a aplicação de algoritmos de neuroevolução se apresenta como um candidato para a geração dos integrantes do comitê, já que esses são capazes de conceber redes com estrutura interna distinta durante o processo evolutivo, o que pode resultar em diversidade de respostas a serem combinadas por estratégias de agregação. Portanto, esse trabalho explora o uso de neuroevolução para a criação de comitê de Redes Neurais Artificiais, assim como, empregando diferentes estratégias de agregação de votos, a fim de formar comitês com redes diversas. Apresentou-se 5 diferentes classificadores resultantes do arcabouço proposto, sendo evidenciados resultados superiores em 5 das 10 bases de dados quando comparado a outros 7 métodos de aprendizado de máquina consolidados na literatura, demonstrando ganhos de até 12,5% frente ao melhor método de base de comparação, confirmando dentro do escopo dos experimentos as hipóteses do trabalho. |
|---|