Particionamento Dinâmico para Algoritmo Local de Classificação

Nesta dissertação é proposto um novo algoritmo supervisionado que utiliza uma abordagem local de classificação com uma arquitetura de particionamento dinâmico. Entende-se por métodos locais aqueles que utilizam informações de apenas uma determinada sub-região do espaço para a tomada de decisão, como a vizinhança de uma nova observação, ao invés de tentar encontrar uma única regra de classificação que utiliza todas as observações possíveis do problema. Desse modo, delineou-se uma metodologia de particionamento dinâmico que busca automaticamente por subconjuntos de observações com proporção majoritária de uma única classe. Infere-se através de uma taxa de erro por subconjunto, aqueles que possuem mais chance de pertencerem a uma classe e quais deles apresentam uma região mais complexa de separação de classes, onde observações com atributos similares apresentam classes divergentes. Dez conjuntos de dados reais foram testados. O algoritmo proposto mostrou desempenho bem similar à métodos clássicos da área de Reconhecimento de Padrões. Além disso, em alguns casos, há uma maior interpretabilidade e transparência dos resultados do modelo pois sabe-se em quais subconjuntos são obtidos uma melhor taxa de acerto para novas observações e quais terão taxa menor, diferente de outros métodos que apresentam uma taxa de acerto média para todo o conjunto de dados.