@MASTERSTHESIS{ 2022:484560726,
 	title = {Seleção dinâmica de classificadores baseada em medidas de complexidade},
 	year = {2022},
 	url = "https://tede.unioeste.br/handle/tede/6339",
 	abstract = "A classificação de objetos é uma tarefa da área de Reconhecimento de Padrões. Ela
 consiste em atribuir uma classe, dentre várias possíveis, a um objeto desconhecido. Esse
 processo é realizado por meio de classificadores. Eles são funções matemáticas formuladas a
 partir do treinamento do(s) classificador(es), que fazem uso dos dados de um determinado
 problema para realizar a aprendizagem. Classificadores monolíticos encontram dificuldade
 em cenários mais difíceis de classificação. Eles podem não atender a todo o espaço de
 variabilidade do problema. Um Sistema de Múltiplos Classificadores (SMC) têm sido
 uma opção para tentar melhorar desempenho da tarefa de classificação em relação à
 abordagem monolítica. Para isso, o SMC emprega diversos classificadores especialistas
 em regiões distintas do problema. A ideia é que, a partir de um conjunto de diferentes
 classificadores se consiga absorver as variabilidades apresentadas pelos problemas. No
 entanto, nem sempre todos eles são empregados na etapa de classificação, sendo necessária
 a etapa de seleção de classificadores do conjunto. Para esta tarefa a seleção dinâmica dos
 classificadores tem se mostrado promissora. A arquitetura com que são construídos os
 sistemas de classificação influencia no seu desempenho. Outra dificuldade do problema
 de classificação está relacionada à complexidade dos dados. Ela impacta na forma que
 os classificadores atuam e as informações acerca dela é obtida a partir das medidas de
 complexidades. Estudos demostram que para resolver um problema difícil de classificação,
 uma melhor compreensão da complexidade dos dados pode ser interessante para seleção de
 classificadores. Assim, neste trabalho, avaliamos as medidas de complexidade como critérios
 base para a seleção dinâmica de classificadores. A modificação das abordagens clássicas
 da literatura resulta em maior acurácia de 39, 51% dos casos quando adicionamos as
 medidas de complexidade. Enquanto a abordagem original corresponde a 28, 4%. Empates
 estiveram presentes em 35, 8% dos casos testados. Este trabalho também apresenta o
 ganho de informação de 14 medidas de complexidade, o que sugere algumas desvantagens
 do uso de algumas delas.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {Centro de Ciências Exatas e Tecnológicas}
}