Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 658
Aluno: Lucas Benevides Viana de Amorim
Orientador: Prof. George Darmiton da Cunha Cavalcanti
Coorientador: Prof. Rafael Menelau Oliveira e Cruz (École de Technologie Supérieure)
Título: Meta-scaler+: a meta-learning based solution for model-specific recommendations of scaling techniques
Data: 18/02/2025
Hora/Local: 15h – Sala E-122
Banca Examinadora:
Prof. Francisco de Assis Tenorio de Carvalho (UFPE / Centro de Informática)
Prof. Ricardo Bastos Cavalcante Prudencio (UFPE / Centro de Informática)
Prof. Luís Paulo Faina Garcia (UnB / Departamento de Ciências da Computação)
Prof. Luiz Eduardo Soares de Oliveira (UFPR / Departamento de Informática)
Prof. Carlos Manuel Milheiro de Oliveira Pinto Soares (Universidade do Porto / Faculdade de Engenharia)
RESUMO:
A normalização (scaling) de conjuntos de dados é uma etapa essencial de pré-processamento em um pipeline de aprendizado de máquina. Ela visa ajustar as escalas de atributos de forma que todos variem dentro do mesmo intervalo. Essa transformação é amplamente reconhecida como necessária para melhorar o desempenho dos modelos de classificação, mas muito poucos estudos verificam empiricamente essa relação. Como primeira contribuição, esta tese compara os impactos de diferentes técnicas de scaling (STs) no desempenho de vários classificadores. Seus resultados mostram que a escolha da técnica de scaling importa para o desempenho da classificação, e a diferença de desempenho entre a melhor e a pior técnica é relevante e estatisticamente significativa na maioria dos casos. No entanto, há várias STs para escolher, e o processo de encontrar manualmente, por tentativa e erro, a técnica mais adequada para um determinado conjunto de dados pode ser inviável.
Como alternativa, propomos empregar meta-aprendizagem para selecionar automaticamente a melhor ST para um determinado conjunto de dados. Portanto, em nosso segundo estudo, propomos o Meta-scaler, um framework que aprende e treina um conjunto de meta-modelos para representar a relação entre meta-características extraídas dos conjuntos de dados e o desempenho de um conjunto de algoritmos de classificação nesses conjuntos de dados quando eles são normalizados com diferentes técnicas. Esses meta-modelos são capazes de recomendar uma única ST ótima para um determinado conjunto de dados de consulta, levando em consideração também o classificador de consulta. O Meta-scaler produziu melhor desempenho de classificação do que qualquer escolha de uma única ST para 10 dos 12 modelos base testados e também superou os métodos de meta-aprendizagem do estado da arte para seleção de ST.
Finalmente, em nosso terceiro estudo, propomos o Metascaler+, onde estendemos a funcionalidade do Meta-scaler, eliminando suas limitações ao introduzir um método inovador de caracterização de classificadores, o Classifiers’ Space, que nos permite combinar dinamicamente meta-modelos para recomendações especializadas de ST para qualquer classificador e conjunto de dados. Apesar da flexibilidade adicional, o desempenho do Meta-scaler+ é competitivo com o Meta-scaler e superior a outras soluções do estado da arte. Para as próximas etapas do desenvolvimento desta pesquisa, investiremos na melhoria da representação do conjunto de dados (meta-recursos), melhorando a inicialização do Classifiers’ Space e tornando o Meta-scaler+ uma ferramenta prática e acessível, permitindo sua integração com bibliotecas populares de aprendizado de máquina.
Palavras-chave: Classificação, Preprocessamento, Scaling, Normalização,
Meta-aprendizagem, AutoML.
Comentários desativados