Tese

Multi-level stacking de classificadores (2025)

• Authors:
  • Boldrin, Fabiana Coutinho
  • Baranauskas, José Augusto (Orientador)
• Autor USP: BOLDRIN, FABIANA COUTINHO - FFCLRP
• Unidade: FFCLRP
• Sigla do Departamento: 595
• DOI: 10.11606/D.59.2025.tde-27052025-165944
• Subjects: INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL
• Keywords: Artificial intelligence; Classificação; Classification; Combinação de classificadores; Ensembles; Inteligência artificial; Meta-aprendizado; Meta-learning
• Language: Português
• Abstract: Técnicas de combinação de classificadores (ensembles) como o stacking têm sido amplamente utilizadas desde 1992. O stacking tradicional combina as predições de diferentes classificadores, treinados com o mesmo conjunto de dados, usando estratégias como voto majoritário, pesos ou meta-classificadores. Este trabalho propõe o Multi-Level Stacking (MLS), um algoritmo que estende o stacking tradicional ao incorporar múltiplos níveis de aprendizado. O MLS consiste em camadas de classificadores, em que cada level agrega as predições do level anterior, refinando progressivamente as predições. Experimentos com datasets reais e artificiais, utilizando diferentes meta-algoritmos (Árvores de Decisão, Naive Bayes, and Support Vector Machines) e variando o número de níveis, foram conduzidos para avaliar o desempenho do MLS. Os resultados, mensurados pelas métricas de erro e ROC AUC, mostram que o MLS, com o meta-algoritmo Árvore de Decisão (DT), apresenta ganhos de desempenho estatisticamente relevantes em comparação ao stacking tradicional de level único. A pesquisa contribui para o avanço das técnicas de ensemble learning ao explorar a dimensão dos níveis de aprendizado no stacking, com potencial para melhorar a acurácia em tarefas de classificação
• Imprenta:
  • Publisher place: Ribeirão Preto
  • Date published: 2025
• Data da defesa: 04.04.2025


Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).

Status:

Artigo publicado em periódico de acesso aberto (Gold Open Access)

Versão do Documento:

Versão publicada (Published version)

Acessar versão aberta:

• PDF de acesso aberto

Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.

---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  BOLDRIN, Fabiana Coutinho. Multi-level stacking de classificadores. 2025. Dissertação (Mestrado) – Universidade de São Paulo, Ribeirão Preto, 2025. Disponível em: https://teses.usp.br/teses/disponiveis/59/59143/tde-27052025-165944/. Acesso em: 09 abr. 2026.

• APA

  Boldrin, F. C. (2025). Multi-level stacking de classificadores (Dissertação (Mestrado). Universidade de São Paulo, Ribeirão Preto. Recuperado de https://teses.usp.br/teses/disponiveis/59/59143/tde-27052025-165944/

• NLM

  Boldrin FC. Multi-level stacking de classificadores [Internet]. 2025 ;[citado 2026 abr. 09 ] Available from: https://teses.usp.br/teses/disponiveis/59/59143/tde-27052025-165944/

• Vancouver

  Boldrin FC. Multi-level stacking de classificadores [Internet]. 2025 ;[citado 2026 abr. 09 ] Available from: https://teses.usp.br/teses/disponiveis/59/59143/tde-27052025-165944/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Multi-level stacking