Notes

Classificação Hierárquica (HC) consiste em problemas de classificação cujas classes são estruturadas de forma hierárquica. Muitos problemas são abordados pelo HC, em especial uma quantidade decente de trabalhos tratados com problemas relacionados com a bioinformática, tais como a Predição da Função de Proteína (PFP) e classificação de Elementos Transponíveis (TEs). Ambos ainda são uma tarefa desafiadora para o HC devido à natureza ruidosa e desequilibrada dos conjuntos de dados. Como contramedida, o Empilhamento é um método conjunto capaz de generalizar o conhecimento de muitos classificadores. Neste trabalho, propomos três métodos de empilhamento para HC e avaliamos seu desempenho em conjuntos de dados PFP e TEs. Nossos resultados mostram que, quando comparados aos métodos convencionais de empilhamento e estado da arte da literatura, nossos métodos são capazes de obter desempenhos superiores ou competitivos.
Empilhamento é um método conjunto usado para criar classificadores com alta generalização [9] . Consiste em construir dois níveis de classificadores: base e meta-classificador. Primeiro, os classificadores de base são treinados usando os recursos do conjunto de dados original. Em seguida, as previsões dos classificadores de base são usadas para construir um meta-classificador. O meta classificador é então empregado para obter previsões.
Para treinamento, é recomendável dividir o conjunto de dados de treinamento em dois conjuntos separados. Neste trabalho, nomeamos então como Train-Base e Train-Meta. O primeiro é usado para treinar classificadores de base de maneira direta. O conjunto de dados Train-Meta é usado para gerar o meta-classificador. Em seguida, as instâncias Train-Meta são testadas pelos classificadores de base e suas previsões são usadas como entrada para treinar o meta-classificador ( M) . Lembre-se de que os valores-alvo (classes) permanecem inalterados durante o treinamento. A Figura 1 ilustra a abordagem de treinamento do Stacking.
Para testes, os classificadores de base são usados. Então, as previsões são concatenadas e alimentadas como entrada para o meta-classificador.
Neste trabalho, decidimos explorar uma recente estratégia LCPN chamada Classificador Local Não-Folha por Nó Parental (nLLCPN) proposta em [7] , e uma estratégia LCL de Cerri [1] , uma vez que provaram produzir resultados desejáveis ​​e são capaz de lidar com problemas de HC não obrigatórios.