Use of bayesian networks as a grouping of local and global classifiers.

Submitted by Ruth Quaresma de Freitas (ruth_quaresma@hotmail.com) on 2019-09-02T18:04:48Z No. of bitstreams: 1 LEONARDO NOGUEIRA MATOS - TESE PPGEE 2004..pdf: 21234303 bytes, checksum: 4002ffc75f2ca27b110395b306b9bb87 (MD5)Made available in DSpace on 2019-09-02T18:04:48Z (GMT). No. of bitstreams: 1 LEONARDO NOGUEIRA MATOS - TESE PPGEE 2004..pdf: 21234303 bytes, checksum: 4002ffc75f2ca27b110395b306b9bb87 (MD5) Previous issue date: 2004-10-250 problema de classificação em reconhecimento de padrões pode ser interpretado como um problema de estimação de uma distribuição de probabilidade alvo. Trabalhos recentes apontam para sua modelagem como uma soma ponderada de distribuições, tratando-se portanto de uma abordagem paramétrica, já que pesos e parâmetros necessitam ser estimados. Neste trabalho a distribuição alvo e aproximada sem realizar estimação de parâmetros de uma distribuição modelo. Admitindo-se que a saída dos classificadores possam ser tratados como distribuições de probabilidades, utiliza-se uma rede Bayesiana como instrumento para realizar a combinação de classificadores locais e global. Em linhas gerais o objetivo do trabalho e apresentar uma metodologia que estabelece como realizar o particionamento do espaço de atributos originando um conjunto de classificadores e como agrupa-los em uma estrutura que combina suas saídas. Um estudo de caso foi desenvolvido para avaliar o desempenho do sistema proposto no reconhecimento de imagens de dígitos manuscritos, tendo sido obtido resultados competitivos com os mais recentes mencionados na literatura.The classification problem in pattern recognition can be viewed as a probability distribution estimation task. Recent developments try t o model it as a weight sum of distributions which is a parametric approach, since weights and parameters should be estimated. In this work the target distribution is reached without the need to estimate parameters from a model distribution. Considering that the output of classifiers are probability measurements, a Bayesian network is used t o combine local and global classifiers. Briefly, the main objective of this work is to present a methodology that establishes how t o partition the feature space in order to generate a set of classifiers and group them in a framework that combines their outputs. A case study was developed for a handwritten digit recognition application. The results reveal that the proposed system is competitive with the best classifiers pointed in the literature. v