Título: Classificação Local utilizando Least Square Support Vector Machine (LSSVM)
Autores: Rômulo Bandeira Pimentel Drumond, Renan Fonteles Albuquerque, Diego Perdigão Sousa, Guilherme de Alencar Barreto
Resumo: Os modelos de classificação global são métodos que utilizam todo o conjunto de dados de treinamento disponível para a construção de um único modelo que especifique a superfície de separação dos dados. Alternativamente, modelos de classificação local baseiam-se na construção de classificadores locais treinados a partir de subconjuntos dos dados de treinamento. Este artigo apresenta um estudo sobre a abordagem de classificação local para projeto de classificadores baseados em máquinas de vetores-suporte de mínimos quadrados (LSSVM). As partições locais foram definidas a partir do algoritmo de agrupamento K-médias. Os dados dos agrupamentos resultantes foram utilizados para treinar cada modelo LSSVM local. Diversos índices de validação de agrupamentos foram utilizados como critério de determinação do número de partições locais para cada problema de classificação estudado. Experimentos com vários conjuntos de dados de classificação foram realizados para comparar a abordagem local com a global.
Palavras-chave: Reconhecimento de Padrões; Modelos de Classificação Local; Máquinas de Vetores Suporte; K-médias; Least Squares Support Vector Machine;
Páginas: 8
Código DOI: 10.21528/CBIC2019-98
Artigo em pdf: CBIC2019-98.pdf
Arquivo BibTeX: CBIC2019-98.bib