Neste repositório vamos resolver o primeiro trabalho prático da disciplina Aprendizado de Máquina 2, ofertada pelo Prof. Dr. Diego Furtado Silva na modalidade EAD no semestre 2021/2 pelo DC-UFSCar.
Trabalho realizado pelos alunos:
Segundo o enunciado deste trabalho prático, devemos escolher um tema entre as seguintes opções:
- Aprendizado semissupervisionado (incluindo OCC e PUL)
- Classificação multirrótulo
- Classificação hierárquica
- Meta-aprendizado
- Classificação em fluxo de dados
- Combinação de classificadores (heterogêneos)
- Aprendizado ativo
dos quais escolhemos abordar a classificação multirrótulo. A partir dessa escolha, utilizamos três algoritmos de classificação multirrótulo para solucionar cinco conjuntos de dados estruturados distintos, então elaboramos uma avaliação experimental comparativa entre os métodos implementados, a fim de testar a robustez dos algoritmos escolhidos.
Os conjuntos de dados utilizados foram retirados do site Mulan-Sourceforge e são:
Nas próximas subseções os datasets são apresentados com mais detalhes.
No conjunto de dados birds queremos categorizar áudios captados na natureza produzidos por pássaros com as respectivas espécies de pássaros que podem produzir este som. Este dataset apresenta 645 instâncias e 260 atributos, sendo 2 nominais e 258 numéricos. Apresenta 19 rótulos.
No contexto de bio-informática, o dataset Yeast apresenta genomas de leveduras e queremos classificar leveduras de acordo com as funcionalidades geradas por essas proteínas (genes). No dataset existem 2417 instâncias de leveduras com 103 atributos numéricos e 14 possibilidades de classificação multirrótulo.
O conjunto de dados Flags nos apresenta formas geométricas, cores, religião, idioma, tamanho da população, continente, entre outras informações, e pede para indicarmos quais cores a bandeira do país apresenta, sendo 7 possibilidades de cores e portanto, rótulos. Além disso, apresenta 194 instâncias e 19 atributos, com 9 nominais e 10 numéricos.
Também no contexto de bio-informática, o dataset Genbase apresenta sequências de proteína, genes, e pede para indicarmos as características relacionados com essa sequência do DNA. Há 662 instâncias para serem analisadas com 1186 atributos nominais e 27 rótulos representando as características do gene.
O último dataset escolhido foi o Emotions. Queremos detectar as emoções contidas em pedaços de músicas, todos os dados já estão representados de forma numérica e estruturados. São utilizados 593 instâncias de músicas, com 72 atributos numéricos e 6 labels, que representam as emoções.
Para atacar esses problemas multirrótulos, além de um pré-processamento necessário, escolhemos três algoritmos multirrótulos de classificação, que atuam transformando a natureza do problema para apenas um rótulo. São eles:
- Binary Relevance (BR)
- Classifier Chains (CC)
- Label Powerset (LP)
A partir disso utilizamos algoritmos de classificação para classificar os conjuntos de treino, escolhendo os melhores parâmetros através de Grind Search. Avaliamos a qualidade das respostas com análise de acurácia e Hamming loss.
Selecionamos os datasets e dividimos em conjuntos de treino e teste. Fizemos os pré-processamentos adequados e rodamos algoritmos multirrótulos, classificamos e testamos a qualidade das soluções na sequência.
Os resultados podem ser conferidos nos Notebooks presentes no github.
Podemos dizer que o experimento proposto pelo primeiro trabalho prático de AM2 foi realizado com sucesso, já que conseguimos resolver problemas multirrótulos e avaliar e comparar as respostas obtidas, testando a robustez dos algoritmos escolhidos para esses conjuntos de dados.