O uso seletivo de classificadores binários na solução de problemas multirrótulos

Abstract

Algumas tarefas de classificação permitem que exemplos pertençam a mais de uma classe simultaneamente, uma delas é chamada de classificação multirrótulo. Uma forma simples e eficiente de solucionar problemas desta natureza consiste em transformá-los em vários problemas binários e tratá-los independetemente. Em geral, o mesmo classificador base é usado para induzir os diversos modelos, sem considerar seu viés e as particularidades de cada conjunto binário. Todavia, nesse estudo, investigamos a hipótese de que utilizar o classificador adequado para cada conjunto binário melhora a classificação multirrótulo. Utilizando o método de transformação Binary Relevance, foi adotada uma estratégia de meta-aprendizado para recomendar o classificador adequado para cada subproblema. Os resultados experimentais validam a hipótese investigada e mostram o potencial da abordagem utilizada. Além disso, a estratégia proposta é genérica, de modo que, pode ser aplicada em outros problemas de transformação multirrótulo.