Meta-learning recommendation system for automating the process of selecting the best pool and a dynamic classifier selection algorithm

Résumé

Les méthodes d’ensemble consistent en des classifieurs individuels entraînés indépendamment, dont les prédictions sont combinées pour prédire de nouvelles instances. Les recherches antérieures ont montré qu’un ensemble de classifieurs est souvent plus performant qu’un seul classifieur. La sélection dynamique (DS) est reconnue comme une approche efficace dans le domaine des systèmes de classification multiples (MCS). La DS choisit dynamiquement les classifieurs de base pour chaque nouvel échantillon à classer. Au lieu d’utiliser un ensemble fixe de classifieurs pour toutes les instances, la DS s’adapte et sélectionne les classifieurs appropriés en fonction des caractéristiques de chaque échantillon individuel. Cette étude se concentre sur l’évaluation de différents schémas de génération de pools utilisés en tant qu’entrée pour les techniques de DS. L’importance de la sélection d’un pool optimal de classifieurs pour les algorithmes de DS est explorée, en comparant les schémas de génération de pools globaux et locaux. L’étude vise à répondre à des questions concernant l’efficacité des méthodes de génération de pools locaux pour la sélection dynamique, la dépendance à l’égard de la sélection du meilleur groupe de classifieurs en fonction de la méthode DS utilisée, et la corrélation entre les résultats de l’ensemble statique et les performances de DS. L’analyse révèle que les schémas de génération de pools locaux ne donnent pas systématiquement de meilleurs résultats pour la sélection. De plus, la sélection d’un groupe approprié de classifieurs dépend à la fois de la méthode DS utilisée et des caractéristiques de l’ensemble de données. Compte tenu des constatations selon lesquelles il n’existe pas de système de génération de pools universellement efficace pour l’algorithme DS sur l’ensemble des ensembles de données, un système d’apprentissage automatisé est proposé. Ce système vise à recommander le schéma de génération de pool optimal pour les méthodes DS en fonction de l’ensemble de données. L’algorithme crée un méta-modèle en extrayant des méta-caractéristiques des ensembles de données et en utilisant une méta-cible représentant les meilleures performances de l’algorithme DS. Ce méta-modèle fournit des recommandations pour les schémas de génération de pools, les méthodes DS et les paires d’un pool et Méthode DS appariées pour des ensembles de données spécifiques. Une étude expérimentale est menée pour évaluer les performances du système de recommandation d’apprentissage méta. Les résultats montrent que le système de recommandation d’apprentissage méta surpasse la sélection de pool fixe, les méthodes DS fixes ou les paires fixes d’un pool et Méthode DS. En d’autres termes, les résultats expérimentaux montrent que le système d’apprentissage méta recommande systématiquement la meilleure solution avec la plus grande précision prédictive par rapport aux bases. Cette approche novatrice améliore l’efficacité et l’efficacité de la sélection dynamique de classifieurs dans des tâches de classification complexes.

Date	14 déc. 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Rafael Menelau Oliveira Cruz (Directeur(-trice))