Investigations on the theory and practice of credal classification

La classificazione costituisce un ampio settore di ricerca a cavallo tra il Data Mining e la statistica. Le reti Bayesiane, le reti neurali, la regressione logistica, gli alberi di classificazione, sono alcuni tra i modelli più noti di classificazione.I classificatori sono algoritmi che apprendono autonomamente comportamenti evoluti per mezzo di esempi, a partire da uno stato iniziale di ignoranza. Ciò è largamente indipendente dallo specifico dominio applicativo. Pertanto, al variare dei dati disponibili, i classificatori apprenderanno a fare diagnosi mediche, a valutare rischi geologici, a identificare frodi bancarie, ecc., con chiare ricadute di tipo applicativo.I classificatori possono tuttavia produrre modelli e previsioni inaffidabili quando gli esempi necessari all´apprendimento sono scarsi o incompleti; due situazioni tipiche nelle applicazioni reali della classificazione. Per ovviare a queste serie di limitazioni e sulla base della teoria delle probabilità imprecise, abbiamo proposto i classificatori credali come più generale paradigma di classificazione. Abbiamo sviluppato diversi modelli credali di classificazione basati su reti Bayesiane estese a insiemi di distribuzioni di probabilità, verificando come essi siano generalmente in grado di mantenere affidabilità previsiva anche in condizioni estreme. In particolare, li abbiamo applicati con successo all´importante problema della diagnosi medica di demenze senili.Lo scopo del progetto è l´estensione della metodologia della classificazione credale, con lo studio approfondito delle sue proprietà teoriche, nonché con lo sviluppo di nuovi classificatori credali e la loro applicazione a domini specifici.