Aprendizagem Ativa para Seleção de Exemplos em Meta-Aprendizado

• Ricardo B. C. Prudêncio UFPE
• Teresa B. Ludermir UFPE

Resumo

Meta-Aprendizado tem sido usado com sucesso para selecionar algoritmos a partir das características dos problemas em que podem ser aplicados. Cada meta-exemplo armazena as características de um dado problema e as informações sobre o desempenho dos algoritmos candidatos no problema (e.g. precisão obtida). A construção de um conjunto de meta-exemplos pode ser custosa, uma vez que o desempenho dos algoritmos é usualmente definido através de avaliação empírica no problema em questão. Dentro desse contexto, propomos o uso de Aprendizagem Ativa para selecionar apenas os meta-exemplos mais relevantes, e assim, diminuir a necessidade de avaliações empíricas com os algoritmos candidatos. Experimentos foram realizados usando o algoritmo kNN como meta-aprendiz e um critério de incerteza foi aplicado para selecionar meta-exemplos. Um ganho significativo de desempenho foi obtido com cerca de 6% dos meta-exemplos disponíveis.

Referências

Bensusan, H. and Alexandros, K. (2001). Estimating the predictive accuracy of a classifier. In Proceedings of the 12th European Conference on Machine Learning, pages 25–36.

Brazdil, P., Soares, C., and da Costa, J. (2003). Ranking learning algorithms: Using IBL and meta-learning on accuracy and time results. Machine Learning, 50(3):251–277.

dos Santos, P., Ludermir, T. B., and Prudêncio, R. B. C. (2004). Selection of time series forecasting models based on performance information. In 4th International Conference on Hybrid Intelligent Systems, pages 366–371.

Engels, R. and Theusinger, C. (1998). Using a data metric for preprocessing advice for data mining applications. In Prade, H., editor, Proceedings of the 13th European Conference on Artificial Intelligence (ECAI-98), pages 430–434. John Wiley & Sons.

Giraud-Carrier, C., Vilalta, R., and Brazdil, P. (2004). Introduction to the special issue on meta-learning. Machine Learning, 54(3):187–193.

Kalousis, A., Gama, J., and Hilario, M. (2004). On data and algorithms understanding inductive performance. Machine Learning, 54(3):275–312.

Kalousis, A. and Hilario, M. (2003). Representational issues in meta-learning. In Proceedings of the 20th International Conferente on Machine Learning, pages 313–320.

Kalousis, A. and Theoharis, T. (1999). Noemon: Design, implementation and performance results of an intelligent assistant for classifier selection. Intelligent Data Analysis, 3(5):319–337.

Leite, R. and Brazdil, P. (2005). Predicting relative performance of classifiers from samples. In Proceedings of the 22nd International Conference on Machine Learning.

Lindenbaum, M., Markovitch, S., and Rusakov, D. (2004). Selective sampling for nearest neighbor classifiers. Machine Learning, 54:125–152.

Makridakis, S. and Hibon, M. (2000). The M3-competition: Results, conclusions and implications. International Journal of Forecasting, 16(4):451–476.

Prudêncio, R. B. C. and Ludermir, T. B. (2004). Meta-learning approaches to selecting time series models. Neurocomputing, 61:121–137.

Prudêncio, R. B. C. and Ludermir, T. B. (2006). A machine learning approach to define weights for linear combination of forecasts. In 16th International Conference on Artificial Neural Networks, pages 274–283.

Prudêncio, R. B. C., Ludermir, T. B., and de Carvalho, F. A. T. (2004). A modal symbolic classifier to select time series models. Pattern Recognition Letters, 25(8):911–921.

Soares, C. and Brazdil, P. (2000). Zoomed ranking selection of classification algorithms based on relevant performance information. Lecture Notes in Computer Science, 1910:126–135.

Tsoumakas, G., Vrakas, D., Bassiliades, N., and Vlahavas, I. (2004). Lazy adaptive multicriteria planning. In Proceedings of the 16th European Conference on Artificial Intelligence, ECAI04, pages 693–697.