Visão Geral

Conforme dito na seção 3.1, classificador é o elemento que possui como entrada um padrão e, como saída, o rótulo que identifica a que classe tal padrão pertence. Ou seja, são os elementos que, de fato, fazem o reconhecimento de padrões. Com exceção de alguns classificadores sintáticos e baseados em lógica fuzzy, eles devem ser treinados utilizando um conjunto de amostras. Dentre os métodos de reconhecimento de padrões melhor conhecidos, pode-se destacar:

• Estatísticos: mínima distância ao protótipo, k-vizinhos mais próximos (vide seção 6.2.1 e 6.2.2), classificador de Bayes e outros.
• Não-estatísticos: redes neurais, correlação, classificadores sintáticos, árvore de decisão e baseados em lógica fuzzy (vide seção 3.1).
• Super-classificadores: também conhecidos como ``métodos de combinação'', são utilizados quanto se dispõe de vários resultados de classificação e deseja-se combinar os resultados para decidir a qual classe os dados pertencem. Tais esquemas podem ser aplicados quando são utilizados sistemas de multi-sensores e vários classificadores diferentes para classificar um determinado conjunto de dados, ou quando vários padrões separados formam um conjunto que pode pertencer à mesma classe. Um exemplo desse caso é o de seqüências de vídeo. Dentre os super-classificadores mais conhecidos estão: soma, média e mediana dos resultados e o esquema de votação [13].

. Maiores detalhes a respeito de classificadores podem ser encontrados em [13,12,14].