Título: Otimização da AUC via Redes Neurais Evolutivas para Classificação de Dados Desbalanceados
Autores: Melo Neto, Johnathan;Castro, Cristiano;Braga, Antonio
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.
Palavras-chave:
PALAVRAS-CHAVE
Páginas: 12
Código DOI: 10.21528/CBIC2017-14
Artigo em pdf: cbic-paper-14.pdf
Arquivo BibTeX: cbic-paper-14.bib