Generalização do Processo de Agregação do Sistema Fuzzy Multi-rótulo Takagi-Sugeno-Kan baseado na Integral de Choquet
Autor: Karina Maria Vargas Condori (Currículo Lattes)
Resumo
A classificação multi-rótulo é uma tarefa fundamental no aprendizado de máquina, pois permite que uma instância pertença a múltiplas categorias simultaneamente, o que é essencial em diversos problemas reais, como o reconhecimento de imagens em Engenharia e Ciências Médicas. Esse tipo de classificação possibilita uma representação mais precisa e abrangente das relações complexas entre dados e categorias, superando as limitações das classificações binária e multi-classe. Esta dissertação apresenta o Sistema Fuzzy Multi-Rótulo Takagi-Sugeno-Kang-Choquet (ML-TSKC FS), um modelo inovador de classificação multi-rótulo que generaliza o Sistema Fuzzy Multi-Rótulo Takagi-Sugeno-Kang (ML-TSK FS) ao incorporar a Integral de Choquet. O modelo proposto utiliza a integral de Choquet, definida em termos de medidas fuzzy, para agregar informações no cálculo da força de ativação nos antecedentes das regras, capturando interações complexas entre atributos e a incerteza presente nos dados. Essa abordagem permite um tratamento mais refinado da informação, tornando o modelo especialmente eficaz em cenários onde os rótulos possuem dependências complexas. Para avaliar o desempenho do ML-TSKC FS, exploramos a aplicação da integral de Choquet com cinco medidas fuzzy distintas, realizando um estudo comparativo em doze conjuntos de dados de classificação multi-rótulo. A metodologia inclui validação cruzada e testes estatísticos para garantir a robustez dos resultados. Os resultados mostram que o modelo ML-TSKC FS oferece melhorias significativas em termos de precisão e capacidade de generalização, quando comparado ao modelo padrão ML-TSK FS e a outros métodos de referência, incluindo algoritmos tradicionais, redes neurais e sistemas fuzzy. Concluímos que o uso da Integral de Choquet no processo de agregação aumenta a robustez e a precisão do modelo ao lidar com incertezas e dependências complexas, tornando o ML-TSKC FS uma alternativa promissora para problemas de classificação multi-rótulo em aplicações práticas.