Classificação multirrótulo com aprendizado semissupervisionado: uma análise multivisão de dados

• Ano de defesa: 2016
• Autor(a) principal: Assis, Mateus Silvério de
• Orientador(a): Canuto, Anne Magaly de Paula
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: Classificação multirrótulo; Aprendizado semissupervisionado; Multivisão de dados
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
• Link de acesso: https://repositorio.ufrn.br/jspui/handle/123456789/22078

Ao longo dos últimos anos, as técnicas computacionais aplicadas ao aprendizado de máquina têm sido divididas ou categorizadas quanto ao grau de supervisão presente nos conjuntos de treinamentos e quanto ao número de rótulos presente no atributo classe. Dentro dessas divisões, encontramos o aprendizado semissupervisionado, técnica que trabalha muito bem quando nem todos os rótulos dos exemplos do conjunto de treinamento são conhecidos. Por outro lado, a classificação multirrótulo, também está presente nessas categorias e propõe classificar exemplos quando estes estão associados a um ou mais rótulos. A combinação dessas técnicas de aprendizado gera a classificação multirrótulo semissupervisionado. Ainda nesse contexto, existem vertentes que trabalham com o aprendizado semissupervisionado para dados de visão única e aprendizado semissupervisionado para dados de visão múltipla. Os algoritmos de aprendizado semissupervisionado para dados de visão múltipla tem como ideia básica a exploração da discordância entre as predições dos diferentes classificadores, sendo este um assunto pouco abordado em pesquisas. Nesse sentido, esse trabalho propõe novos métodos para classificação multirrótulo semissupervisionado em uma abordagem para dados de visão múltipla, mostra os resultados de alguns experimentos realizados com esses novos métodos e compara alguns desses resultados com resultados de experimentos utilizando métodos já existentes.