Avaliação Comparativa de Métodos de Aprendizado de Múltiplos Kernels com Kernels Gaussianos Compactos Aleatórios

Este trabalho compara três abordagens baseadas em kernels para classificação: a Máquina de Vetores de Suporte com kernel RBF aleatório (RSVM); o Aprendizado de Múltiplos Kernels Gaussianos Compactos Aleatórios (MRKL), com pesos iguais (SW) ou otimizados via SimpleMKL (OP); e o kernel por função racional (RAFK), que combina funções racionais de produtos internos e distâncias euclidianas, otimizadas via Optuna. Os métodos foram avaliados em 15 conjuntos de referência, com validação cruzada de 5 partições e 20 execuções independentes. As variantes MRKL obtiveram a maior acurácia média em 13 dos 15 conjuntos (MRKL-OP em seis e MRKL-SW em sete). O RAFK apresentou resultados promissores em alguns conjuntos, indicando a viabilidade de kernels por funções racionais.