FenixEdu™

Dissertação

Learning from Imbalanced Neuropsychological Data EVALUATED

Detalhes: O desbalanceamento de classes é o desequilíbrio no número de instâncias de diferentes classes, em bases de dados usadas para classificação. Quando o desbalanceamento é grave e/ou acompanhado por outras complexidades dos dados pode comprometer o sucesso da classificação. A performance dos classificadores mais comuns é degradada e as métricas de avaliação tipicamente usadas no contexto desbalanceado tornam-se inadequadas Neste trabalho, o problema do desbalanceamento é estudado em dados de testes neuropsicológicos no contexto da doença de Alzheimer, com o intuito de diagnosticar e prever a conversão para demência em pacientes com deficiências cognitivas pouco severas (mild cognitive impairments (MCI)). É investigado o efeito do desbalanceamento em quatro classificadores. Bagging e duas técnicas com custos, minimização do risco de Bayes e MetaCost, são testadas nesses classificadores. A sensibilidade relativamente ao desbalanceamento por parte das métricas no contexto desbalanceado é discutida. Uma nova métrica independente da proporção de classes é proposta, chamada compromisso normalizado (normalized compromise (NComp)) que avalia a utilidade de um modelo, regulando o número de falsos positivos. Os efeitos do desequilíbrio e os benefícios da aplicação de bagging, minimização do risco de Bayes e MetaCost foram díspares para diferentes classificadores. O classificador naïve Bayes foi robusto relativamente ao desbalanceamento, enquanto as árvores de decisão foram instáveis. Foi possível concluir que métodos proporcionaram o melhor benefício. Os resultados das redes TAN e das máquinas de suporte vectorial foram inconclusivos e específicos para cada base de dados.
Keywords: aprendizagem desbalanceada, classificação, doença de Alzheimer, testes neuropsicológicos, métricas de avaliação

Discussão: dezembro 12, 2012, 9:0

Documentos da dissertação ainda não disponíveis publicamente