ALGORITMOS EVOLUTIVOS MULTIOBJETIVO APLICADOS EM SELEÇÃO DE CARACTERÍSTICAS

Velder Araújo Soares

Resumo


A seleção de características (ou redução da dimensionalidade) é um dos principais e
mais utilizados métodos na mineração de dados. O objetivo da seleção de características
é selecionar o subconjunto de características mais apropriado do conjunto de dados
original, eliminando as características irrelevantes (Liu e Motoda 2002).
Técnicas de seleção de características não alteram a representação original das
variáveis, mas apenas selecionam um subconjunto delas. Assim, elas preservam a
semântica original das variáveis, oferecendo, portanto, a vantagem de interpretabilidade
por um especialista sobre o domínio (Saeys et al ., 2007). Apesar dos benefícios que a
seleção de características provê, existe o problema do equilíbrio entre redução e
precisão, onde se tenta manter a qualidade na classificação, minimizando a quantidade
de dados.
Na busca do melhor equilíbrio entre redução dos dados e precisão, diversas
metodologias vêm sendo propostas para selecionar características. No entanto, após o
estudo dos trabalhos relacionados, notou-se que muitos utilizaram algoritmos evolutivos
para seleção de características, mas nenhum deles é um Algoritmo Evolutivo
Multiobjetivo (AEMO), apesar de tais métodos buscarem otimizar dois objetivos
considerados conflitantes entre si, precisão e redução do custo computacional.
Diante do exposto, este trabalho se propõe a avaliar a aplicação de três AEMO
amplamente conhecidos pela comunidade científica, sendo eles, o Non-dominated
Sorting Genetic Algorithm (NSGA-II) (Deb et al . , 2002), o NSGA-III (Deb & Jain,
2014) e o Non-Dominated Sorting Genetic Algorithm Distance Oriented (NSGA-DO)
(Pimenta & Camargo, 2015) na seleção de características em bases de dados, além de
validar a efetividade do método por meio de testes estatísticos.


Texto completo:

PDF


DOI: http://dx.doi.org/10.13102/semic.v0i22.4047

Apontamentos

  • Não há apontamentos.