SELEÇÃO DE INSTÂNCIAS DE GRANDES BASES DE DADOS USANDO ALGORITMOS EVOLUTIVOS MULTIOBJETIVO

João Paulo Santos Sena

Resumo


Os Sistemas Baseados em Regras Fuzzy (SBRF) têm sido amplamente usados para a resolução de diversos tipos de problemas, tais como, controle (Leephakpreeda, 2011), modelagem (Pedrycz, 1996), classificação (Ishibuci, 1995). A maneira mais comum para a aquisição do conhecimento de um SBRF é a partir de dados numéricos, os quais representam amostras ou exemplos do problema. As formas mais bem-sucedidas de extração automática de conhecimento a partir de dados para a construção de SFBR são as que combinam metodologias para aprendizado de máquina com conceitos de sistemas fuzzy. Entre elas, destacam-se as Redes Neurais Artificiais e a Computação Evolutiva (Cordón et al, 2001).
Os Algoritmos Genéticos Multiobjetivo (AGMO), vêm demonstrando ser uma poderosa ferramenta para a construção automática (ou projeto automático) de SBRF. No entanto, este processo é fortemente influenciado pela quantidade de instâncias e características presentes nas bases de dados, que afetam o tamanho do espaço de busca e o tempo computacional. Por isso, a redução de dados é de fundamental importância para reduzir o tempo de aprendizado do SBRF e amenizar as dificuldades durante o processo de convergência dos algoritmos evolutivos.
A redução de dados, neste caso, a seleção de instâncias, é um problema multiobjetivo, pois busca-se reduzir a base de dados, e ao mesmo tempo, manter o desempenho do classificador estável ou superior, quando comparado com a base de dados original. Portanto, este trabalho possui o objetivo de investigar a aplicação de Algoritmos Genéticos Multiobjetivo para a seleção de instâncias de grandes bases de dados.


Texto completo:

PDF


DOI: http://dx.doi.org/10.13102/semic.v0i22.4015

Apontamentos

  • Não há apontamentos.