Otimização da AUC via redes neurais evolutivas para classificação de dados desbalanceados

Página do item simplificado
dc.creatorJohnatan Melo Neto
dc.creatorCristiano L. Castro
dc.creatorLuiz C. B. Torres
dc.creatorGustavo R. L. Silva
dc.creatorAntonio de Padua Braga
dc.date.accessioned2025-03-26T15:38:52Z
dc.date.accessioned2025-09-09T00:50:34Z
dc.date.available2025-03-26T15:38:52Z
dc.date.issued2017
dc.identifier.doi10.21528/CBIC2017-14
dc.identifier.urihttps://hdl.handle.net/1843/80951
dc.languagepor
dc.publisherUniversidade Federal de Minas Gerais
dc.relation.ispartofXIII Congresso Brasileiro de Inteligência Computacional - CBIC
dc.rightsAcesso Aberto
dc.subjectRedes neurais (Computação)
dc.subjectInteligência artificial
dc.subjectAnálise de séries temporais
dc.subject.otherredes neurais evolutivas, otimização, área abaixo da curva roc, classificação, desbalanceamento
dc.titleOtimização da AUC via redes neurais evolutivas para classificação de dados desbalanceados
dc.typeArtigo de evento
local.description.resumoA 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.
local.publisher.countryBrasil
local.publisher.departmentENG - DEPARTAMENTO DE ENGENHARIA ELETRÔNICA
local.publisher.initialsUFMG
local.url.externahttps://sbic.org.br/eventos/cbic_2017/cbic-paper-14/

Arquivos

Licença do pacote

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
License.txt
Tamanho:
1.99 KB
Formato:
Plain Text
Descrição:
Baixar

Coleções

Artigo de Evento

Logo UFMG