Resumen

CHERMAN, Everton Alvares; MONARD, Maria Carolina  y  METZ, Jean. Multi-label Problem Transformation Methods: a Case Study. CLEIej [online]. 2011, vol.14, n.1, pp.4-4. ISSN 0717-5000.

Algoritmos de classificação usualmente consideram problemas de aprendizado que contêm apenas um único rótulo, i.e., cada exemplo é associado a um único valor para o atributo meta. No entanto, um número crescente de aplicações envolve dados para os quais múltiplos atributos metas estão associados. Para esses casos, são utilizados algoritmos de classificação chamados multirrótulo. A tarefa de aprendizado com esses dados pode ser resolvida por métodos que transformam o problema em diversos problemas de classificação monorrótulo. Neste trabalho, dois métodos tradicionais baseados nessa abordagem são utilizados, bem como um terceiro método por nós proposto para superar algumas deficiências desses métodos. Também é realizado um estudo de caso utilizando dados textuais relacionados a laudos médicos, os quais foram estruturados utilizando a abordagem bag-of-words. O estudo experimental utilizando esses três métodos mostra uma melhora na qualidade de predição obtida pela utilização do método de classificação multirrótulo proposto neste trabalho.

Palabras clave : aprendizado de máquina; classificação multirrótulo; binary relevance; dependência de rótulos.

        · resumen en Inglés     · texto en Inglés     · Inglés ( pdf )