Dissertação
Applications of Autonomous Learning Multi Model Systems to Binary Classification on Imbalanced Datasets EVALUATED
Dados desbalanceados representam um dos desafios mais complexos para os métodos de aprendizagem automática. Apesar da prevalência deste tipo de dados em diversas áreas, os métodos tradicionais geralmente apresentam uma clara preferência pelas classes sobre-representadas, apresentando um fraco desempenho na deteção das classes sub-representadas. Nesta tese, o desafio da classificação de dados desbalanceados é abordado usando o classificador ALMMo-0, um sistema baseado em regras fuzzy do tipo AnYa que é não-iterativo, não-paramétrico e totalmente autónomo. Todos os testes são conduzidos usando versões desbalanceadas de dados de referência. Em primeiro lugar, o desempenho dos classificadores ALMMo-0 é comparado aos desempenhos de métodos de referência. Especificamente, o desempenho é comparado com métodos de classificação tradicionais, assim como com outros métodos baseados em regras fuzzy. Em segundo lugar, partindo dos resultados obtidos com o ALMMo-0 original, duas modificações são propostas, com o propósito de melhorar a deteção da classe minoritária: um classificador de classe única que não implica a otimização de qualquer parâmetro adicional, e uma estratégia de ponderação da confiança relativamente a cada classe, que ajusta os pesos de cada classe utilizando otimização Bayesiana. Os resultados obtidos para as modificações propostas sugerem uma vantagem significativa relativamente ao ALMMo-0 original no que diz respeito à deteção da classe minoritária. Em particular, os resultados mostram que o classificador de classe única apresenta um desempenho superior em desbalanceamentos elevados, enquanto que a estratégia de ponderação das classes apresenta melhores desempenhos em desbalancemantos moderados e elevados, dependendo da métrica escolhida para a otimização dos pesos.
dezembro 17, 2021, 13:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Susana Margarida da Silva Vieira
Departamento de Engenharia Mecânica (DEM)
Professor Associado
ORIENTADOR
Departamento de Engenharia Mecânica (DEM)
Professor Catedrático