Descoberta de regras de conhecimento utilizando computação evolutiva multiobjetivo / Discoveing knowledge rules with multiobjective evolutionary computing

AUTOR(ES)

Rafael Giusti

DATA DE PUBLICAÇÃO

2010

RESUMO

Na área de inteligência artificial existem algoritmos de aprendizado, notavelmente aqueles pertencentes à área de aprendizado de máquina AM , capazes de automatizar a extração do conhecimento implícito de um conjunto de dados. Dentre estes, os algoritmos de AM simbólico são aqueles que extraem um modelo de conhecimento inteligível, isto é, que pode ser facilmente interpretado pelo usuário. A utilização de AM simbólico é comum no contexto de classificação, no qual o modelo de conhecimento extraído é tal que descreve uma correlação entre um conjunto de atributos denominados premissas e um atributo particular denominado classe. Uma característica dos algoritmos de classificação é que, em geral, estes são utilizados visando principalmente a maximização das medidas de cobertura e precisão, focando a construção de um classificador genérico e preciso. Embora essa seja uma boa abordagem para automatizar processos de tomada de decisão, pode deixar a desejar quando o usuário tem o desejo de extrair um modelo de conhecimento que possa ser estudado e que possa ser útil para uma melhor compreensão do domínio. Tendo-se em vista esse cenário, o principal objetivo deste trabalho é pesquisar métodos de computação evolutiva multiobjetivo para a construção de regras de conhecimento individuais com base em critérios definidos pelo usuário. Para isso utiliza-se a biblioteca de classes e ambiente de construção de regras de conhecimento ECLE, cujo desenvolvimento remete a projetos anteriores. Outro objetivo deste trabalho consiste comparar os métodos de computação evolutiva pesquisados com métodos baseado em composição de rankings previamente existentes na ECLE. É mostrado que os métodos de computação evolutiva multiobjetivo apresentam melhores resultados que os métodos baseados em composição de rankings, tanto em termos de dominância e proximidade das soluções construídas com aquelas da fronteira Pareto-ótima quanto em termos de diversidade na fronteira de Pareto. Em otimização multiobjetivo, ambos os critérios são importantes, uma vez que o propósito da otimização multiobjetivo é fornecer não apenas uma, mas uma gama de soluções eficientes para o problema, das quais o usuário pode escolher uma ou mais soluções que apresentem os melhores compromissos entre os objetivos

ASSUNTO(S)

multiobjective evolutionary computing computação evolutiva algoritmos evolutivos otimização multiobjetivo evolutionary algorithm extração de conhecimento knowledge discovery in databases machine learning multiobjective optimization computação evolutiva multiobjetivo aprendizado de máquina construção de regras de conhecimento knowledge rule discovery evolutionary computing

Documentos Relacionados

• Computação Evolutiva para a Construção de Regras de Conhecimento com Propriedades Específicas
• SYNTHESIS OF ELECTRONIC CIRCUITS FOR EVOLUTIONARY COMPUTING
• Otimização multiobjetivo de portfolios utilizando algoritmos evolutivos
• Generalização de regras de associação utilizando conhecimento de domínio e avaliação do conhecimento generalizado
• Calibração de modelos de drenagem urbana utilizando algoritmos evolucionários multiobjetivo