Melhorando o Desempenho de Classificação por meio de um Conjunto Avançado Baseado em Máquinas de Aprendizagem Extrema Heterogêneas

A Máquina de Aprendizagem Extrema (ELM) é um algoritmo de aprendizado rápido para uma rede neural feedforward de camada oculta única (SLFN). Geralmente, apresenta um bom desempenho de generalização. No entanto, há chances de que possa superajustar os dados de treinamento devido à presença de mais nós ocultos do que o necessário. Para abordar o desempenho de generalização, utilizamos uma abordagem de conjunto heterogêneo. Propomos um Conjunto Avançado de ELM (AELME) para classificação, que inclui ELM Regularizado, ELM otimizado pelo norma L2 (ELML2) e Kernel-ELM. O conjunto é construído treinando um classificador ELM escolhido aleatoriamente em um subconjunto de dados de treinamento selecionado por meio de reamostragem aleatória. O AELM-Ensemble proposto é evoluído empregando uma função objetiva que aumenta a diversidade e a precisão entre o conjunto final. Finalmente, o rótulo da classe de dados não vistos é predito usando a abordagem de voto da maioria. A divisão dos dados de treinamento em subconjuntos e a incorporação de classificadores ELM heterogêneos resultam em maior precisão de previsão, melhor generalização e um menor número de classificadores base, em comparação com outros modelos (Adaboost, Bagging, conjunto dinâmico de ELM, conjunto de ELM com divisão de dados e conjunto de ELM). A validade do AELME é confirmada por meio da classificação em vários conjuntos de dados de referência do mundo real.