DSTARS : uma nova abordagem para regressão multi-target
Resumo: Tradicionalmente, o aprendizado de máquina lida com problemas contendo uma única variável de saída, categórica ou contínua, resultando, dessa forma, em problemas de classificação e regressão, respectivamente No entanto, muitos problemas da vida real associam um mesmo conjunto de variáveis de...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Brasil |
| Institución: | Universidade Estadual de Londrina (UEL) |
| Repositorio: | Repositório Institucional da UEL |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.uel.br:123456789/8522 |
| Acceso en línea: | https://repositorio.uel.br/handle/123456789/8522 |
| Access Level: | acceso abierto |
| Palabra clave: | Aprendizado do computador Inteligência artificial Ciência da computação DSTARS Regressão multi-target Machine learning Artificial intelligence Multi-target regression Multi-output regression |
| Sumario: | Resumo: Tradicionalmente, o aprendizado de máquina lida com problemas contendo uma única variável de saída, categórica ou contínua, resultando, dessa forma, em problemas de classificação e regressão, respectivamente No entanto, muitos problemas da vida real associam um mesmo conjunto de variáveis descritivas a múltiplas variáveis de saída Quando tais variáveis de saída, ou alvos, são contínuos, a tarefa preditiva é chamada de regressão multitarget (MT) Uma opção é tratar cada alvo como um problema separado, empregando uma abordagem single-target (ST) Todavia, nesse tipo de problema, além das relações entre as variáveis de entrada e saída, podem existir inter-dependências entre os alvos Assim, a exploração desses relacionamentos pode levar ao aumento de desempenho preditivo Nesse trabalho um novo método, chamado Deep Structure for Tracking Asynchronous Regressor Stacking (DSTARS), é proposto A ideia principal do DSTARS é empregar múltiplas camadas de regressores empilhados para fornecer aproximações dos alvos, sendo que estas são utilizadas como atributos descritivos adicionais para o problema tratado No método proposto, um número diferente de camadas de regressores é determinado para cada alvo de forma a explorar diferentes níveis de dependências estatísticas entre as saídas Adicionalmente, o DSTARS explicitamente mensura as dependências estatísticas entre os alvos com uma métrica não-linear de importância de variáveis e, dessa forma, trata separadamente as saídas sem correlação como um problema ST O método proposto foi avaliado em dezoito bases de dados de benchmarking, contra três abordagens da literatura para regressão MT, utilizando quatro técnicas de regressão Os resultados obtidos demonstraram que o DSTARS foi capaz de obter resultados estatisticamente superiores às outras abordagens, obtendo os menores valores de erro preditivo na maioria dos casos avaliados |
|---|