Uso dos algoritmos K-Means e Kohonen para induzir hierarquias de rótulos na transformação de problemas de classificação multirrótulo

Abstract

Problemas de classificação são uma parte central do estudo em aprendizado de máquina e inteligência artificial e, dentro deste contexto, há a classificação multirrótulo, onde um exemplo pode ser associado a múltiplos rótulos em um dataset, no qual é comum em várias aplicações práticas. Existem duas principais abordagens para enfrentar esses desafios, sendo eles: (i) a adaptação de algoritmos de classificação convencionais usados na classificação monorrótulo ou multiclasse; e (ii) a transformação do problema ajustando os dados para que algoritmos de classificação existentes possam ser aplicados. Diferentemente dos métodos de classificação tradicionais, a classificação hierárquica organiza as classes em uma estrutura de árvore ou taxonomia. Desta forma, problemas de classificação multirrótulo podem ser convertidos em problemas de classificação hierárquica multirrótulo, assim sendo possível aplicar algoritmos específicos para esta categoria. No entanto, essa conversão requer uma organização hierárquica clara dos rótulos. Nesta pesquisa será explorada a aplicação dos algoritmos de agrupamento K-means e Kohonen na definição dos grupos de rótulos que formarão a estrutura hierárquica. Esses métodos de agrupamento podem ser utilizados para juntar rótulos a fim de identificar semelhanças entre eles, tratando-se de um passo vital na criação de hierarquia. Deste modo, após termos a estrutura estabelecida, técnicas de classificação hierárquica multirrótulo podem ser empregadas. Portanto, o projeto tem como objetivo utilizar os algoritmos de agrupamento K-means e Kohonen para criar uma hierarquia de rótulos em cenários de classificação multirrótulo. Ao serem aplicados a intenção é aprimorar tanto a eficácia na classificação quanto a compreensão dos padrões inerentes nos dados.