Estratégias para seleção de classificadores baseadas em programação genética para reconhecimento de dados multimídia

Abstract

A era atual da tecnologia da informação trouxe um dilúvio de dados sem precedentes, abrangendo diversas áreas, desde pesquisa científica até negócios e vida cotidiana. No entanto, a análise manual de volumes tão massivos torna-se inviável, criando a necessidade de soluções de aprendizado de máquina, como algoritmos de classificação. Embora muitos desses algoritmos tenham sido desenvolvidos, avaliar sua qualidade é multifacetado, envolvendo diversas métricas. Dada a complexidade, a formação de comitês de classificadores, onde vários classificadores trabalham juntos, se apresenta como uma solução eficaz, mas requer a escolha adequada dos classificadores e funções de combinação de predições. A programação genética, uma técnica de otimização baseada em algoritmos genéticos, surge como uma abordagem inovadora para encontrar a configuração ideal desses comitês e funções de combinação de predições, buscando maximizar o desempenho, enquanto reduz a necessidade de experimentação manual dispendiosa. A dissertação busca contribuir para o avanço do campo de aprendizado de máquina, enfrentando os desafios da análise de dados em grande escala e promovendo melhorias significativas nas classificações por meio da programação genética.

The current era of information technology has brought an unprecedented deluge of data, spanning various areas from scientific research to business and everyday life. However, manually analyzing such massive volumes becomes impractical, creating the need for machine learning solutions, like classification algorithms. Although many of these algorithms have been developed, evaluating their quality is multifaceted, involving various metrics. Given the complexity, the formation of classifier committees, where multiple classifiers work together, presents as an effective solution, but it requires the appropriate choice of classifiers and prediction combination functions. Genetic programming, an optimization technique based on genetic algorithms, emerges as an innovative approach to finding the optimal configuration of these committees and prediction combination functions, aiming to maximize performance while reducing the need for costly manual experimentation. The dissertation seeks to contribute to the advancement of the machine learning field, tackling the challenges of large-scale data analysis and promoting significant improvements in classifications through genetic programming.