Tomada de decisões baseada no parâmetro b da Teoria da Resposta ao Item nas classificações de ensemble
DOI:
https://doi.org/10.51359/2317-0115.2022.256869Palavras-chave:
tomada de decisão, teoria da resposta ao item, classificacção ensembleResumo
A tomada de decisões baseada no auxílio de sistemas informatizados é uma tarefa complexa e alvo de muitos ajustes para evitar erros de classificações. Avaliar as classificações pelos acertos dos algoritmos e associar estes acertos com o parâmetro da Dificuldade (b) da Teoria da Resposta ao Item - TRI em concordância com a estatística de Kappa proporciona uma maior segurança ao usuário de sistemas informatizados. Nesta avaliação entre os grupos de undersample e oversample foi possível selecionar grupos específicos de algoritmos de cluster baseados no intervalo de confiança de 5% e intensidade de concordância maiores que 0,9968 identificando concordância Perfeita (0,48%) nos grupos de SMOTE.Referências
BAKER, F. B.; KIM, S.-H. The Basics of Item Response Theory. Statistics for Social and Behavioral Sciences, Springer International Publishing. Cham, Switzerland. p. 188. 2017.
BURGGRÄF, P.; WAGNER, J.;KOKE, B.; BAMBERG, M. Performance assessment methodology for AI-supported decision-making in production management. Procedia CIRP, v. 93, p. 891–896. 2020.
DOUZAS, G.; RAUCH, R.; BACAO, F. G-SOMO: An oversampling approach based on self-organized maps and geometric SMOTE. Expert Systems with Applications, v. 183, n. March, p. 115230. 2021.
HATHALIYA, J. J.; TANWAR, S. An exhaustive survey on security and privacy issues in Healthcare 4.0. Computer Communications, v. 153, n. September 2019, p. 311–335. 2020
LA TORRE, J. DE; DENG, W. Improving person-fit assessment by correcting the ability estimate and its reference distribution. Journal of Educational Measurement, v. 45, n. 2, p. 159–177. 2008.
LIN, W. C.; TSAI, C. F.; HU, Y. H.; JHANG, J. S..Clustering-based undersampling in class-imbalanced data. Information Sciences, v. 409–410, p. 17–26. 2017.
MOHAMMADI BIDHANDI, H. . Capacity planning for a network of community health services. European Journal of Operational Research, v. 275, n. 1, p. 266–279. 2019.
MOHEDANO-MUNOZ, M. A.; ALIQUE-GARCÍA, S.; RUBIO-SÁNCHEZ, M. RAYA, L. SANCHEZ, A. Interactive visual clustering and classification based on dimensionality reduction mappings: A case study for analyzing patients with dermatologic conditions. Expert Systems with Applications, v. 171, n. January, p. 114605. 2021.
MORAES, J. V. C.; REINALDO, J. T.S.; FERREIRA-JUNIOR, M.; FILHO, T. S.;PRUDÊNCIO, R. B.C. Evaluating regression algorithms at the instance level using item response theory. Knowledge-Based Systems, v. 240, p. 108076. 2022.
MUNOZ, S. R.; BANGDIWALA, S. I. Interpretation of Kappa and B statistics measures of agreement. Journal of Applied Statistics, 1 fev. v. 24, n. 1, p. 105–112. 1997.
PURI, A.; GUPTA, M. K. Improved Hybrid Bag-Boost Ensemble with K-Means-SMOTE-ENN Technique for Handling Noisy Class Imbalanced Data. Computer Journal,v. 65, n. 1, p. 124–138. 2022.
TAHIR, M. A.; KITTLER, J.; YAN, F. Inverse random under sampling for class imbalance problem and its application to multi-label classification. Pattern Recognition, v. 45, n. 10, p. 3738–3750. 2012.
TANG, W.; YANG, Y.; ZENG, L.; ZHAN, Y.. Optimizing MSE for clustering with balanced size constraints. Symmetry, v. 11, n. 3. 2019.
WOTEKI, C. E.; KINEMAN, B. D. C Hallenges and a Pproaches To R Educing. Review Literature And Arts Of The Americas, 2003. n. June, p. 82–89. 2003.
WU, X.; LI, P.; HU, X. Learning from concept drifting data streams with unlabeled data. Neurocomputing,v. 92, p. 145–155. 2012.
ZHENG, Y.; CHEON, H.; KATZ, C. M. Using Machine Learning Methods to Develop a Short Tree-Based Adaptive Classification Test: Case Study With a High-Dimensional Item Pool and Imbalanced Data. Applied Psychological Measurement, v. 44, n. 7–8, p. 499–514. 2020.
ZHOU, Q.; SUN, B.; SONG, Y.; LI, S.. K-means Clustering Based Undersampling for Lower Back Pain Data. ACM International Conference Proceeding Series, p. 53–57. 2020.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2022 Revista dos Mestrados Profissionais
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Os trabalhos submetidos são de responsabilidade exclusiva de sua autoria, que preserva o seu direito autoral.
É permitida a citação dos trabalhos publicados sem prévia autorização desde que seja explícita a menção à fonte da RMP
