Uso de meta-aprendizado para ajuste de parâmetros em problemas de classificação

Resumo

Atualmente, uma das principais tarefas em que Aprendizado de Máquina (AM) tem sido utilizado é a classificação de dados, tarefa que envolve atribuir a um padrão desconhecido uma entre várias classes conhecidas. Em AM, a classificação de padrões é uma instância de aprendizado supervisionado e pode ser modelado por uma gama de algoritmos como: Redes Neurais Artificiais (RNA), Máquinas de Suporte Vetorial (SMV), Árvores de Decisão (DT), Deep Learning (DL), entre outros. Além disso, muitas vezes os valores de parâmetros utilizados em tais modelos contribuem diretamente no desempenho da tarefa de classificação dos dados, e otimizar a configuração de tais parâmetros pode melhorar muito o desempenho destes algoritmos. Recentemente, conceitos de meta-aprendizagem tem sido utilizados para escolherconfigurações adequadas de conjuntos de parâmetros para algoritmos de AM. O uso de meta-aprendizagem em conjunto com técnicas de otimização tem mostrado resultados promissores. Para lidar com a seleção automatizada, propõe-se nesse projeto, investigar a aplicação de meta-aprendizado tanto na seleção de algoritmos de otimização como seus conjuntos de parâmetros para classificadores. O objetivo geral é obter um melhor desempenho, em termos de acurácia e custo computacional, detécnicas e algoritmos usados em problemas de classificação.