Adaptação de uma Métrica de Seleção de Atributos para o Contexto de Classificação Hierárquica
Classificação Hierárquica, Seleção de Atributos, Mineração de Dados
Com o crescimento significativo da tecnologia, a mineração de dados está se tornando uma ferramenta essencial para a exploração de dados, oferecendo enormes benefícios em diversos domínios, desde a gestão empresarial até a pesquisa científica. A necessidade de analisar esses dados sob diferentes ângulos para extrair informações úteis está se tornando cada vez mais importante. A classificação envolve a previsão da classe de novos dados com base em modelos treinados em dados rotulados. A seleção de atributos é apresentada como uma fase crucial do pré-processamento de dados. Isso é especialmente importante no contexto da classificação hierárquica, onde poucos estudos foram realizados sobre esse assunto. Essa seleção reduz a dimensionalidade dos dados e pode melhorar a eficiência e o desempenho preditivo do modelo, tornando-a uma etapa fundamental na análise de dados. Portanto, é importante conduzir pesquisas focadas na seleção de atributos no contexto da classificação hierárquica. Este trabalho se concentrará na proposição de técnicas de seleção de atributos no contexto da classificação hierárquica, especialmente para a abordagem global, onde um único classificador será treinado levando em consideração toda a hierarquia de classes. Avaliaremos diferentes abordagens e técnicas disponíveis no campo da seleção de atributos, considerando sua adaptação à classificação hierárquica. Utilizaremos medidas de desempenho apropriadas para avaliar a eficácia e a robustez do método proposto. Técnicas de seleção de atributos adaptadas ao contexto hierárquico podem melhorar o desempenho de classificadores hierárquicos globais.