Avalição do Uso de Meta-labels na Chain para melhorar o desempenho do algoritmo Ensemble of Classifier Chains (ECC)

Abstract

Problemas de classificação são comuns no estudo do aprendizado de máquina, especialmente em situações onde é necessário atribuir múltiplos rótulos a uma única instância. Nesse contexto, destaca-se a classificação multirrótulo (MLC), na qual instâncias são associadas a diversos rótulos, frequentemente aplicados em áreas como a categorização de músicas, a identificação de funções proteicas e o reconhecimento de imagens. Diversas abordagens têm sido propostas para resolver problemas de MLC, sendo o Ensemble of Classifier Chains (ECC) uma das técnicas. Pesquisadores propõem variações do ECC com o objetivo de melhorar os resultados, otimizando a ordem dos classificadores na cadeia e reduzindo a quantidade de rótulos no conjunto de dados. Diferentemente de abordagens anteriores, este trabalho tem como objetivo inserir metalabels, que é a combinação de dois rótulos com base na correlação de similaridade, no ECC e investigar se a presença dos metalabels assim, como a ordem de inserção influencia os resultados. Por fim, serão apresentados os resultados e gráficos obtidos através das simulações realizadas, nas quais 12 medidas diferentes foram avaliadas, mostrando que a abordagem proposta melhora a microprecisão, precisão, perda de hamming e precisão de subconjunto.