Otimização da AUC via redes neurais evolutivas para classificação de dados desbalanceados
Carregando...
Data
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Artigo de evento
Título alternativo
Primeiro orientador
Membros da banca
Resumo
A classificação de dados cujas classes se apresentam em proporções desbalanceadas é um problema relativamente comum de se encontrar na prática, porém de difécil resolução com o uso dos tradicionais métodos baseados na minimização da taxa de erro. Diversas métricas têm sido propostas para contornar este desafio, como a área abaixo da curva ROC (AUC), cujo objetivo é realizar o correto ranqueamento das instâncias sem a necessidade de se especificar um limiar de discriminação. Sendo a AUC uma função n˜ao diferenciável, os métodos de aprendizagem baseados em direção de busca, tal como backpropagation, fazem uso de uma aproximação diferenciável desta métrica, o que pode levar a resultados subótimos. Este artigo propõe uma rede neural evolutiva que otimiza diretamente a AUC. Desta forma, sua expressão exata pode ser utilizada, dado que algoritmos evolutivos não exigem a diferenciabilidade da função objetivo, em contraste com os usuais algoritmos baseados no cálculo da derivada. Tal metodologia visa fornecer classificadores com melhor desempenho, pois confia na formulação exata da AUC. A estratégia se mostrou promissora nas simulações realizadas, apresentando desempenho superior às abordagens comparadas, obtendo melhor equilíbrio de classificação em relação às taxas de acerto das classes.
Abstract
Assunto
Redes neurais (Computação), Inteligência artificial, Análise de séries temporais
Palavras-chave
redes neurais evolutivas, otimização, área abaixo da curva roc, classificação, desbalanceamento
Citação
Departamento
Curso
Endereço externo
https://sbic.org.br/eventos/cbic_2017/cbic-paper-14/