Banca de QUALIFICAÇÃO: CAIO TERTULIANO RIBEIRO
Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.DISCENTE : CAIO TERTULIANO RIBEIRO
DATA : 01/10/2025
HORA: 14:00
LOCAL: https://meet.google.com/ozj-exxn-omm
TÍTULO:
Meta-otimização de hiperparâmetros em Machine Learning para classificação binária com XGBoost: Integração de Design of Experiments e Normal Boundary Intersection
PALAVRAS-CHAVES:
Otimização de Hiperparâmetros; Planejamento de Experimentos; Arranjos de Mistura; NBI; XGBoost; Aprendizado de Máquina; Classificação Binária; Otimização Multiobjetivo
PÁGINAS: 33
RESUMO:
A seleção de hiperparâmetros é determinante para o desempenho e o custo de modelos de machine learning. Em problemas de classificação binária com XGBoost, tal seleção assume natureza intrinsecamente multiobjetivo: as métricas de qualidade devem ser maximizadas enquanto o tempo de execução precisa ser minimizado. Este trabalho formula um framework metodológico que integra Design of Experiments (DoE); em arranjo mixture–process, e Normal Boundary Intersection (NBI) para gerar e selecionar soluções Pareto‑ótimas de otimização de hiperparâmetros. O mapeamento experimental utiliza simplex‑lattice L10 com 𝑞 = 3 fatores de mistura (frações de amostragem) combinados a 24 níveis de variáveis de processo (taxa de aprendizado, profundidade, γ e número de árvores), totalizando 1056 condições. As respostas são sumarizadas por métricas da matriz de confusão e tempo de execução sob protocolo reprodutível (validação estratificada, logging e replicação por seeds). Modelos de superfície de resposta (Scheffé/RSM) e ANOVA fornecem interpretabilidade estatística de efeitos e interações; uma etapa de análise fatorial sintetiza as métricas de qualidade em um ou mais fatores. A etapa multiobjetivo aplica NBI sobre objetivos normalizados, amostrando a fronteira de Pareto com malha no simplex e permitindo decisões por ponto de joelho, por maximização do fator de qualidade principal ou sob patamar temporal. A comparação segue fairness por orçamento ou por wall‑clock com grid search, random search, Bayesian optimization e Hyperopt (TPE). Espera‑se obter ganhos de eficiência amostral e transparência decisória, com soluções distribuídas de forma uniforme na fronteira, redução do tempo sob manutenção do desempenho e evidências estatísticas de superioridade frente aos benchmarks.
MEMBROS DA BANCA:
Presidente - 2503970 - ANDERSON PAULO DE PAIVA
Interna - 3141783 - JULIANA HELENA DAROZ GAUDENCIO
Interno - 3291994 - MATHEUS BRENDON FRANCISCO