Análise de desempenho de modelos supervisionados aplicados à classificação multirrótulo

Este trabalho investiga o desempenho de diferentes algoritmos supervisionados aplicados à classificação multirrótulo, com foco em compreender como modelos tradicionais se comportam quando avaliados de forma comparativa e estatisticamente fundamentada. Foram analisados cinco classificadores amplamente utilizados na literatura, XGBoost, Random Forest, Multilayer Perceptron, Regressão Logística e k-Nearest Neighbors, todos adaptados à abordagem Binary Relevance e avaliados em múltiplas métricas relevantes para cenários multirrótulo.Os resultados evidenciaram diferenças consistentes entre os modelos. O XGBoost apresentou desempenho elevado em métricas sensíveis ao equilíbrio entre rótulos, como F1-macro e Hamming Loss, destacando-se por sua capacidade de capturar relações complexas entre atributos. O Random Forest obteve os valores mais altos em métricas influenciadas por frequências de rótulos, como F1-micro e Jaccard, refletindo sua estabilidade em cenários com classes majoritárias. O Multilayer Perceptron apresentou desempenho intermediário e maior variabilidade entre execuções, enquanto Regressão Logística e k-NN foram sistematicamente inferiores aos demais modelos. Os resultados obtidos indicam que determinados modelos apresentaram desempenho mais consistente do que outros no contexto específico desta investigação, considerando as métricas avaliadas e as características da base Yeast. Conclui-se que esses dois métodos constituem alternativas mais eficazes para classificação multirrótulo no conjunto avaliado, cada qual apresentando vantagens específicas conforme o critério de desempenho adotado.