Utilização de Ensemble Stacked Generalization com Seleção de Características em Problemas de Aprendizagem Supervisionada

Abstract

Nesta dissertação é proposta a utilizaçao da técnica de ensemble stacked com intuito de melhorar a capacidade preditiva em problemas de aprendizagem supervisionado. ensemble stacked utiliza múltiplos modelos cujas decisões individuais são combinadas ou agregadas de alguma forma para predizer novos exemplos. A motivação principal por recorrer a ensemble stacked é baseada na observação de que diferentes algoritmos de aprendizagem exploram: i) Diferentes linguagens de representação, ii) Diferentes espaços de procura e iii) Diferentes funções de avaliação de hipóteses. É possível desenvolver um conjunto de classificadores que, trabalhando juntos, obtêm um melhor desempenho do que cada classificador trabalhando individualmente. Somado com o ensemble stacked, foi proposto a utilização da meta-heurística PSO(Particle Swarm Optimization) que atua na seleção de características, mantendo as características mais relevantes e eliminando as características irrelevantes e redundantes para cada modelo utilizando no ensemble stacked. Experimentos foram feitos para validar a superioridade do ensemble stacked frente a cada modelo individual e eficácia do PSO no contexto de ensemble stacked.