March 18, 2026Neural Computing and Applications0 citationsOpen Access
Aproveitando a quantização vetorial de aprendizado de matriz generalizada ordinal para melhorar a classificação
Key Points
- O objetivo é melhorar a precisão da classificação para dados com classes ordenadas usando um novo algoritmo chamado ORGMLVQ.
- Introduziu o ORGMLVQ para incorporar restrições ordinais no aprendizado de métricas.
- Realizou experimentos em múltiplos conjuntos de dados de regressão ordinal e benchmarks da UCI.
- Manteve a interpretabilidade e o aprendizado baseado em protótipos do GMLVQ original.
- Foi observada uma melhoria significativa nos escores de MAUC (Área Média sob a Curva).
- O ORGMLVQ superou o GMLVQ tradicional na classificação de dados ordinais.
- O método manteve a interpretabilidade enquanto capturava efetivamente a progressão das classes.
Abstract
Resumo Este artigo introduz a Quantização Vetorial de Aprendizado de Matriz Generalizada Ordinal (ORGMLVQ), uma versão aprimorada do algoritmo GMLVQ projetada para classificar dados com uma ordem inerente entre as classes. O ORGMLVQ incorpora restrições ordinais diretamente no processo de aprendizado de métrica, permitindo que o modelo capture melhor a progressão entre categorias - um aspecto importante em aplicações como diagnósticos médicos ou classificação de risco. Por meio de experimentos em múltiplos conjuntos de dados de regressão ordinal, bem como em benchmarks padrão da UCI e problemas do mundo real, o método proposto demonstra uma melhoria significativa do MAUC, mantendo a interpretabilidade e a natureza baseada em protótipos do GMLVQ original. Esses resultados sugerem que nosso método é uma alternativa forte e interpretável para aprender com dados estruturados e ordenados.