DSTARS : uma nova abordagem para regressão multi-target
Arquivos
Data
Autores
Mastelini, Saulo Martiello
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
Resumo: Tradicionalmente, o aprendizado de máquina lida com problemas contendo uma única variável de saída, categórica ou contínua, resultando, dessa forma, em problemas de classificação e regressão, respectivamente No entanto, muitos problemas da vida real associam um mesmo conjunto de variáveis descritivas a múltiplas variáveis de saída Quando tais variáveis de saída, ou alvos, são contínuos, a tarefa preditiva é chamada de regressão multitarget (MT) Uma opção é tratar cada alvo como um problema separado, empregando uma abordagem single-target (ST) Todavia, nesse tipo de problema, além das relações entre as variáveis de entrada e saída, podem existir inter-dependências entre os alvos Assim, a exploração desses relacionamentos pode levar ao aumento de desempenho preditivo Nesse trabalho um novo método, chamado Deep Structure for Tracking Asynchronous Regressor Stacking (DSTARS), é proposto A ideia principal do DSTARS é empregar múltiplas camadas de regressores empilhados para fornecer aproximações dos alvos, sendo que estas são utilizadas como atributos descritivos adicionais para o problema tratado No método proposto, um número diferente de camadas de regressores é determinado para cada alvo de forma a explorar diferentes níveis de dependências estatísticas entre as saídas Adicionalmente, o DSTARS explicitamente mensura as dependências estatísticas entre os alvos com uma métrica não-linear de importância de variáveis e, dessa forma, trata separadamente as saídas sem correlação como um problema ST O método proposto foi avaliado em dezoito bases de dados de benchmarking, contra três abordagens da literatura para regressão MT, utilizando quatro técnicas de regressão Os resultados obtidos demonstraram que o DSTARS foi capaz de obter resultados estatisticamente superiores às outras abordagens, obtendo os menores valores de erro preditivo na maioria dos casos avaliados
Descrição
Palavras-chave
Aprendizado do computador, Inteligência artificial, Ciência da computação, DSTARS, Regressão multi-target, Machine learning, Artificial intelligence, Multi-target regression, Multi-output regression