CLASSIFICADOR ENSEMBLE: UMA ABORDAGEM NÃO PARAMÉTRICA APLICADO À DETECÇÃO DE DIABETES

Autores

  • Adriana dos Santos Lima
  • Silvio Cabral Patricio
  • Leonara Alves Cesario da Silva
  • Renato Valladares Panaro

Resumo

Se tratando de dados dicotômicos, isto é, que admitem somente duas respostas possíveis, os modelos supervisionados de aprendizado de máquina comumente utilizados são: regressão logística, árvores aleatórias e K–Nearest neighbor (KNN). No entanto, a depender dos dados, tais predições podem não apresentar uma boa acurácia (> 70%). Surge então, como alternativa aos modelos usuais, os classificadores ensemble (Gul & Perperoglou, 2018). O método ensemble é uma técnica de aprendizado de máquina que combina o resultado de múltiplos modelos em busca de produzir um melhor modelo preditivo. Existem vários algoritmos pré-fixados de classificadores ensemble, tais como: bagging, boosting, bayesian averaging, entre outros. No entanto, a escolha dos modelos preditivos base e a maneira que estes resultados serão combinados são livres (Opitz & Maclin, 1999). Os classificadores ensemble são uma classe de métodos utilizados para aumentar a acurácia do modelo com a junção de modelos mais fracos, quando o emprego de métodos mais simples, separadamente, não apresentam o resultado desejado. Para a aplicação de métodos mais sofisticados para a predição dos dados, faz-se necessário o uso de técnicas iniciais que permitam o correto aproveitamento do modelo.

Downloads

Não há dados estatísticos.

Downloads

Publicado

2019-07-09