Apresentador : Fabiana Coutinho Boldrin

Data: 04/04/2025
Horário: 09:00
Local: Sala 600B do Departamento de Computação e Matemática

Descrição: Resumo: Técnicas de combinação de classificadores (ensembles) como o stacking têm sido amplamente utilizadas desde 1992. O stacking tradicional combina as predições de diferentes classificadores, treinados com o mesmo conjunto de dados, usando estratégias como voto majoritário, pesos ou meta-classificadores. Este trabalho propõe o Multi-level Stacking (MLS), um algoritmo que estende o stacking tradicional ao incorporar múltiplos níveis de aprendizado. O MLS consiste em camadas de classificadores, em que cada level agrega as predições do level anterior, refinando progressivamente as predições. Experimentos com datasets reais e artificiais, utilizando diferentes meta-algoritmos (Decision Trees, Naive Bayes, and Support Vector Machines) e variando o número de níveis, foram conduzidos para avaliar o desempenho do MLS. Os resultados, mensurados pelas métricas de erro e ROC AUC, mostram que o MLS, com o meta-algoritmo Árvore de Decisão (DT), apresenta ganhos de desempenho estatisticamente relevantes em comparação ao stacking tradicional de level único. A pesquisa contribui para o avanço das técnicas de ensemble learning ao explorar a dimensão dos níveis de aprendizado no stacking, com potencial para melhorar a acurácia em tarefas de classificação.