Reconhecimento de padrões: classificação supervisionada com rejeição de observações

Abstract

A elaboração desta tese teve em atenção dois objectivos principais: em primeiro lugar dar uma visão global sobre o tema do reconhecimento de padrões e em particular sobre a classificação supervisionada; em segundo lugar, desenvolver uma metodologia de classificação de um objecto, em c+2 classes, alternativa à clássica, com introdução de duas classes de rejeição, uma por indecisão, outra para outliers. Os dois primeiros capítulos estão relacionados com o primeiro e os restantes com o segundo. O terceiro e quarto capítulo abordam, respectivamente, a questão da rejeição por indecisão e por existência de outliers. No Capítulo 4 propõe-se um novo método de detecção de outliers, RRO, baseado na divisão dos dados em nuvens e na utilização de diferentes tipos de estimadores (robustos e clássicos). No Capítulo 5 descrevem-se e discutem-se os resultados de um estudo de simulação, para comparação da RRO com os métodos tradicionais existentes. Mostra-se que além de funcionar bem nas situações tradicionais, também revela um bom desempenho em contextos mais gerais. O Capítulo 6 é dedicado à apresentação do método genérico de classificação em c+2 classes. Finalmente no Capítulo 7 registam-se as principais conclusões e referem-se linhas de orientação para continuação do trabalho aqui iniciado. This thesis was developed bearing in mind two main purposes: first, to give an overview of the pattern recognition area, and supervised classification in particular; second, the development of a methodology to classify an object into c+2 classes, in alternative to the classical one, with the introduction of two rejection classes, one for indecision (doubt) and one for outliers. The first two chapters are related to the first purpose and the remaining to the second. The third and fourth chapters address the question of rejection by indecision and rejection for outliers, respectively. In Chapter 4 a new method to detect outliers, RRO, based on clustering analysis and different estimators (classical and robust), is proposed. Chapter 5 describes and discusses the results of a simulation study designed to compare the RRO with the traditional methods. It is showed that, while performing well in traditional situations, the method reveals a good performance in general contexts. Chapter 6 is devoted to the presentation of a generic classification method into c+2 classes. Finally, Chapter 7 states the main conclusions and some guidelines to proceed with the work started here.