Resumo: Classificação é uma das tarefas presentes na área de reconhecimento de padrões, e pode ser entendida como uma rotina na qual uma classe é atribuída a uma instância analisada. A observação dos atributos de um determinado elemento e a representação desses valores por denota um conjunto de características, popularmente representado na forma de vetor e posteriormente submetido a um classificador. A partir de um conjunto de classificadores, é entendido que a qualidade da decisão tomada pela combinação de opiniões do conjunto supera, na maioria das vezes, a decisão individual de qualquer um dos seus componentes. A seleção de classificadores é definida como um processo para manipulação de um conjunto inicial de classificadores, a fim de obter um grupo reduzido, mas que melhor contribua com o objetivo. No que diz respeito ao reconhecimento de gêneros musicais, a seleção de classificadores visa a melhora nas taxas de classificação das amostras. O presente trabalho aborda a aplicação de estratégias para seleção dinâmica de classificadores na tarefa de reconhecimento de gêneros musicais. Essas estratégias visam a composição de subconjuntos capazes de classificar corretamente padrões desconhecidos e combinação das respectivas estimativas para tomada de decisão. Também foram avaliadas abordagens adaptadas do método KNORA, para elaborar uma vizinhança dinamicamente que auxilie no processo de classificação de amostras semelhantes, além da combinação de métodos que comprovem a relevância da complementaridade de opiniões entre os classificadores envolvidos, de forma a obter uma melhor decisão.
Abstract: Classification can be defined as a routine in which a class is assigned to a pattern described by a set of attribute. This routine is one of the tasks present in the pattern recognition field. The observation process of the attributes from a specific element and the representation of its values with a data structure, often a vector, denotes their vector of features, thereafter applied to a classifier. Commom knowledge in a set of classifiers, at most cases, reaches a better decision than a single one. The classifiers selection is defined as a process for handling an initial set of classifiers to obtain a better small subset, which can achieve better results, closer to the goal. In music genre recognition, the main goal by using classifiers selection is to improve the final recognition rates. This work discusses a bunch of strategies for dynamic classifiers selection in music genre recognition tasks to obtain classifiers subsets who are able to correctly classify unknown patterns using combining strategies for individual estimatives. KNORA method variations, are also investigated were generated dynamically to support a classification cycle. In these cases, the neighborhood members, based on similar samples from a well known set. Finally, investigate the complementary methods with the combination of individual outputs and verify the improvement in recognition rates. |