Ottimizzazione di un'Architettura Neurale per Classificazioni Multi-Label

Con l’aumento di complessità di un classificatore, é lecito aspettarsi un miglioramento della performance dello stesso. Tuttavia, il guadagno marginale in termini di performance potrebbe, in determinate situazioni, non giustificare l’incremento di parametri del sistema. Inoltre in taluni casi, come ad esempio in presenza di dataset sparsi e con un numero ridotto di esempi, un sistema più complesso potrebbe avere più difficoltà a generalizzare rispetto ad un sistema più semplice. In questa tesi abbiamo confrontato lo stato dell’arte per la classificazione multi-label con una serie di modelli di machine learning/deep learning piú semplici. I sistemi sono stati allenati su dataset di dimensione variabile, con l’obiettivo di quantificare la relazione tra le metriche di performance e i suddetti parametri.