DSTARS : uma nova abordagem para regressão multi-target

• Ano de defesa: 2024
• Autor(a) principal: Mastelini, Saulo Martiello
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Aprendizado do computador; Inteligência artificial; Ciência da computação; DSTARS; Regressão multi-target; Machine learning; Artificial intelligence; Multi-target regression; Multi-output regression
• Link de acesso: https://repositorio.uel.br/handle/123456789/8522

Resumo: Tradicionalmente, o aprendizado de máquina lida com problemas contendo uma única variável de saída, categórica ou contínua, resultando, dessa forma, em problemas de classificação e regressão, respectivamente No entanto, muitos problemas da vida real associam um mesmo conjunto de variáveis descritivas a múltiplas variáveis de saída Quando tais variáveis de saída, ou alvos, são contínuos, a tarefa preditiva é chamada de regressão multitarget (MT) Uma opção é tratar cada alvo como um problema separado, empregando uma abordagem single-target (ST) Todavia, nesse tipo de problema, além das relações entre as variáveis de entrada e saída, podem existir inter-dependências entre os alvos Assim, a exploração desses relacionamentos pode levar ao aumento de desempenho preditivo Nesse trabalho um novo método, chamado Deep Structure for Tracking Asynchronous Regressor Stacking (DSTARS), é proposto A ideia principal do DSTARS é empregar múltiplas camadas de regressores empilhados para fornecer aproximações dos alvos, sendo que estas são utilizadas como atributos descritivos adicionais para o problema tratado No método proposto, um número diferente de camadas de regressores é determinado para cada alvo de forma a explorar diferentes níveis de dependências estatísticas entre as saídas Adicionalmente, o DSTARS explicitamente mensura as dependências estatísticas entre os alvos com uma métrica não-linear de importância de variáveis e, dessa forma, trata separadamente as saídas sem correlação como um problema ST O método proposto foi avaliado em dezoito bases de dados de benchmarking, contra três abordagens da literatura para regressão MT, utilizando quatro técnicas de regressão Os resultados obtidos demonstraram que o DSTARS foi capaz de obter resultados estatisticamente superiores às outras abordagens, obtendo os menores valores de erro preditivo na maioria dos casos avaliados