Uma análise da aplicação do modelo de Rede Neural RePART em Comitês de classificadores

Canuto, Anne Magaly de Paula

Universidade Federal do Rio Grande do Norte

2008-02-01

Fuzzy Artmap, Artmap-IC, RePART, Comitês de Classificadores, Redes Neurais Artificiais

Fuzzy Artmap

Artmap-IC

RePART

Committees of classifiers

Artificial neural networks

O RePART (Reward/Punishiment ART), modelo neural que se constitui numa variação do modelo Fuzzy Artmap, foi proposto objetivando minimizar problemas inerentes aos modelos da classe Artmap, tais como: proliferação de categorias e má classificação. Por essa razão, o RePART faz uso de mecanismos adicionais, como: um parâmetro contador de instância, um processo de recompensa/punição e um parâmetro de vigilância variável. O parâmetro contador de instância busca minimizar o problema de má classificação, resultante da sensibilidade à ruídos, freqüentemente presente nos modelos da classe Artmap. O uso da vigilância variável tem como objetivo minimizar o problema de proliferação de categorias, diminuindo a complexidade da rede, quando utilizado em aplicações com um grande número de padrões de treinamento. A proposta do RePART visou a minimização desses problemas e foi mostrado que o RePART obteve desempenho superior que alguns modelos da classe Artmap. Neste trabalho é proposta a realização de uma investigação do desempenho do modelo RePART em comitês de classificadores. Nesta investigação será realizada uma análise com comitês utilizando diferentes tamanhos, estratégias de aprendizados e estruturas. Os resultados obtidos com esta investigação servirão como meio de descoberta das vantagens e desvantagens de cada um dos modelos abordados em comitês. Com isso, poderá ser dado um embasamento ainda mais amplo à utilização do RePART em outras aplicações de reconhecimento de padrões

RePART (Reward/Punishment ART) is a neural model that constitutes a variation of the Fuzzy Artmap model. This network was proposed in order to minimize the inherent problems in the Artmap-based model, such as the proliferation of categories and misclassification. RePART makes use of additional mechanisms, such as an instance counting parameter, a reward/punishment process and a variable vigilance parameter. The instance counting parameter, for instance, aims to minimize the misclassification problem, which is a consequence of the sensitivity to the noises, frequently presents in Artmap-based models. On the other hand, the use of the variable vigilance parameter tries to smoouth out the category proliferation problem, which is inherent of Artmap-based models, decreasing the complexity of the net. RePART was originally proposed in order to minimize the aforementioned problems and it was shown to have better performance (higer accuracy and lower complexity) than Artmap-based models. This work proposes an investigation of the performance of the RePART model in classifier ensembles. Different sizes, learning strategies and structures will be used in this investigation. As a result of this investigation, it is aimed to define the main advantages and drawbacks of this model, when used as a component in classifier ensembles. This can provide a broader foundation for the use of RePART in other pattern recognition applications