CLASSIFICAÇÃO MULTIRRÓTULO COM APRENDIZADO SEMISSUPERVISIONADO: UMA ANÁLISE MULTIVISÃO DE DADOS
classificação multirrótulo; aprendizado semissupervisionado; multivisão de dados
Ao longo dos últimos anos, as técnicas computacionais aplicadas ao aprendizado de máquina têm sido divididas ou categorizadas quanto ao grau de supervisão presente nos conjuntos de treinamentos e quanto ao número de rótulos presente no atributo classe. Dentro dessas divisões, encontramos o aprendizado semissupervisionado, técnica que trabalha muito bem quando nem todos os rótulos dos exemplos do conjunto de treinamento são conhecidos. Por outro lado, a classificação multirrótulo, também está presente nessas categorias e propõe classificar exemplos quando estes estão associados a um ou mais rótulos. A combinação dessas técnicas de aprendizado gera a classificação multirrótulo semissupervisionado. Ainda nesse contexto, existem vertentes que trabalham com o aprendizado semissupervisionado para dados de visão única e aprendizado semissupervisionado para dados de visão múltipla. Os algoritmos de aprendizado semissupervisionado para dados de visão múltipla tem como ideia básica a exploração da discordância entre as predições dos diferentes classificadores, sendo este um assunto pouco abordado em pesquisas. Nesse sentido, esse trabalho propõe novos métodos para classificação multirrótulo semissupervisionado em uma abordagem para dados de visão múltipla, mostrando os resultados de alguns experimentos realizados e comparando alguns resultados dos experimentos utilizando os novos métodos com resultados de experimentos utilizando métodos já existentes.