Muitas aplicações de aprendizado de máquina estão relacionadas com problemas de
classificação em ambientes dinâmicos. Mudança de conceito figura nesse tipo de ambiente e
pode prejudicar muito a acurácia de sistemas de classificação. Nesse contexto, a utilização
de comitês de classificadores é interessante porque possibilita a implementação de processos
de detecção e de reação à mudança mais acurados e robustos. Sistemas de classificação
que utilizam comitês podem possuir três grandes fases: geração; seleção; e integração de
classificadores. A etapa de seleção pode ser feita de forma dinâmica, isto é, para cada
instância desconhecida, o classificador ou comitê de classificadores com maior probabilidade
de acerto é escolhido para atribuir uma classe à essa instância. Neste trabalho, é proposto
um método para detecção e reação à mudança de conceito que utiliza seleção dinâmica de
comitês de classificadores. O método proposto escolhe o comitê especialista com base nos
valores de diversidade e de acurácia de cada comitê candidato. A fim de avaliar o impacto
do uso de seleção dinâmica guiada por diversidade e acurácia nas tarefas de detecção e
reação a mudança de conceito, foram realizadas quatro séries de experimentos com bases
sintéticas e reais. Além disso, como o método proposto é dividido em quatro fases: geração
da população de comitês; seleção dinâmica do comitê especialista; detecção de mudanças;
e reação à mudança, diferentes versões desse método foram investigadas em função da
definição de parâmetros de cada fase. Os resultados dos experimentos mostraram que, de
maneira geral, as versões estudadas são bem equivalentes em termos de acurácia média
final. Adicionalmente, quando comparado a dois baselines: (1) DDM - que utiliza um
único classificador; e (2) Leveraging Bagging - que utiliza um comitê de classificadores,
o método proposto alcançou melhores taxas de acurácia, menores taxas de atraso de
detecção, não deixou de detectar as mudanças conhecidas nas bases e produziu reduzidas
taxas de falsa detecção, apesar de apresentar maior complexidade computacional. Portanto,
o trabalho mostra que o uso de seleção dinâmica guiada por diversidade e acurácia melhora
a precisão de detecção, bem como a acurácia geral de sistemas de classificação utilizados
em problemas que apresentam mudança de conceitos.
|
