L’obiettivo della seconda fase del lavoro è migliorare questi aspetti, andando a definire un nuovo algoritmo di selezione. Per fare ciò, è necessario imporre all’algoritmo di addestramento un nuovo criterio, cioè la massimizzazione congiunta della sensibilità e della specificità. Il metodo innovativo di addestramento, appena descritto, ha portato alla definizione di una nuova funzione obiettivo che è stata usata come criterio di selezione. Pertanto è stato possibile ottenere curve di sensibilità e specificità monotone decrescenti e il bilanciamento delle suddette. Attraverso entrambi i metodi è stato comunque possibile selezionare il modello ottimo, cioè quel modello che permette il minore errore di classificazione al minore costo computazionale. I risultati si sono rivelati diversi, ovvero sono stati selezionati due modelli differenti, per ogni metodo usato. Il confronto dei valori di sensibilità e specificità generati dai due modelli, ha dimostrato la maggiore efficienza del nuovo metodo proposto.
8.1 Sviluppi futuri I risultati esposti mostrano che il nuovo algoritmo di selezione basato sull’innovativo algoritmo di addestramento, risulta efficiente. D’altra parte non è ancora stato completamente analizzato in ogni suo elemento. Infatti è stato preso in minore considerazione il metodo di ricerca dei sottoinsiemi. Tale elemento, per risultare veloce e non appesantire l’algoritmo in se, definisce solo soluzioni di tipo subottime. Pertanto si può investigare in tale direzione, con altri metodi più efficienti e consolidati a disposizione in letteratura. Per quanto riguarda l’algoritmo di addestramento, risulta nuovo il criterio usato per la massimizzazione congiunta, e sebbene dia sommariamente buoni risultati, è necessario fare ulteriori test. Ad esempio provare nuovi algoritmi di ottimizzazione. Oppure agire nel tentativo di dare una plausibile forma analitica, alla funzione che lega la sensibilità e le specificità al vettore delle caratteristiche e dei pesi, in modo da permettere il calcolo del gradiente della funzione. Pertanto risulterà possibile applicare algoritmi di massimizzazione più complessi.
60