Proposta de um classificador hierárquico monorrótulo baseado em instâncias.

Abstract

Na área de Mineração de Dados existem problemas de classi cação complexos, conhecidos como problemas de classi cação hierárquica, nos quais as classes a serem preditas estão organizadas de acordo com uma hierarquia pré-de nida. Na solução de um problema de classi cação hierárquica duas abordagens podem ser utilizadas: global e local. Na abordagem global, um único classi cador é induzido de forma a tratar todas as classes do problema simultaneamente, ao passo que na abordagem local, tem-se um conjunto de classi cadores induzidos, em que cada um deles é responsável por um subconjunto de classes da hierarquia. Além disso, entre os problemas de classi cação hierárquica existem aqueles nos quais uma instância pode estar associada a somente uma classe (problemas de classi cação hierárquica monorrótulo). Métodos de classi cação hierárquica vêm sendo propostos por pesquisadores das áreas de aprendizado de máquina, estatística e mineração de dados, no entanto, técnicas de classi cação hierárquica que utilizam a aborgadem global mostram-se pouco exploradas na literatura. Baseado nesse fato, o presente trabalho propôs, implementou e avaliou um novo classi cador hierárquico monorrótulo baseado na abordagem de classi cação global, o HKNN (Hierarchical K Nearest Neighbor ). O classi- cador proposto é uma modi cação do KNN (método proposto para resolver problemas de classi cação plana) que possibilita que a classi cação seja realizada considerando-se a hierarquia de classes do problema. Foram realizados experimentos com 18 bases de dados para avaliar o desempenho preditivo do método proposto e os resultados obtidos por meio deles mostraram que o HKNN supera os desempenhos preditivos dos demais métodos avaliados nesse trabalho.