Aprendizado de regras de classificação com otimização por nuvem de partículas multiobjetivo

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRamirez Pozo, Aurora Trinidad, 1959--
Autor(es): dc.contributorUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática-
Autor(es): dc.creatorToracio, Augusto de Almeida Prado Gava-
Data de aceite: dc.date.accessioned2025-09-01T13:35:08Z-
Data de disponibilização: dc.date.available2025-09-01T13:35:08Z-
Data de envio: dc.date.issued2024-10-23-
Data de envio: dc.date.issued2024-10-23-
Data de envio: dc.date.issued2008-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/1884/14672-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/1884/14672-
Descrição: dc.descriptionOrientadora: Prof. Dr. Aurora Pozo-
Descrição: dc.descriptionDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 2008-
Descrição: dc.descriptionInclui bibliografia-
Descrição: dc.descriptionResumo: Este trabalho apresenta um algoritmo de aprendizado de regras de classificação que faz uso da técnica de otimização por nuvem de partículas multiobjetivo para obter um conjunto de melhores regras para a classificação, como uma alternativa aos algoritmos de seleção por cobertura, procurando evitar a perda da qualidade das regras. No treinamento, com uma base de dados de entrada, as regras são representadas como as posições das partículas que voam num espaço de busca, seguindo suas melhores posições ou as melhores posições dos seus vizinhos. As melhores regras são memorizadas no classificador, com base nos conceitos de dominância de Pareto, o que permite que sejam selecionadas regras com diversas características, que podem ser definidas pelo usuário. As regras são selecionadas para o classificador ao mesmo tempo em que são descobertas e, diferentemente dos algoritmos de cobertura, a seleção não retira exemplos cobertos da base. Por isso, as regras encontradas podem ser lidas de modo isolado, pois o classificador obtido é não ordenado e as regras não perdem qualidade. Foram feitos experimentos mostrando a diferença de comportamento de diferentes valores dos parâmetros de nuvem de partículas na exploração do espaço e na obtenção da fronteira de Pareto. Outro experimento mostrou que um aumento no número de regras selecionadas na fronteira, em geral, trouxe maior desempenho de classificação, com os objetivos de confiabilidade positiva e negativa. Comparações com demais algoritmos da literatura mostram que o algoritmo proposto é competitivo com relação à área abaixo da curva ROC (Receiver Output Curve) e número de regras no classificador. Além disso, as regras selecionadas têm alto grau de suporte e precisão relativa ponderada (Wracc), o que denota que as regras são importantes mesmo isoladas. Dessa forma, produz-se um conjunto, que é bom para a classificação, com regras muito boas, que podem trazer conhecimentos, mesmo se analisadas de forma isolada.-
Descrição: dc.descriptionAbstract: This work presents an algorithm of classification-rule learning that uses the multiple objective particle swarm optimization technique to obtain a set of the best rules to classification as an alternative way to covering algorithms, avoiding the loss of quality of the rules. In the training, with an input dataset, the rules are represented as the positions of the particles that fly in a search space, following their best positions or their neighbors’ best positions. The best rules are memorized in the classifier, based in concepts of Pareto’s dominance, which permits the selection of rules with several characteristics that can be defined by the user. The rules are selected to the classifier in the same time that they are discovered and, differently of the cover algorithms, the selection does not remove examples from the dataset. Therefore, the found rules can be read in isolation, because the obtained classifier is non-ordered and the rules do not lose quality. An experiment was conducted, showing the difference of the behavior of the obtainment of Pareto’s front and space exploration, varying values of the particle swarm parameters. Another experiment showed that an increase in the number of selected rules in the front, generally, brought greater classification performance, with the objectives of positive and negative confidence. Comparisons with other algorithms of the literature show that the proposed algorithm is competitive related to the area under ROC (Receiver Output Curve) and number of rules in the classifier. Besides, the selected rules have high support and weighted relative accuracy (Wracc), which denotes the rules are important even isolated. In this way, it produces a set that is good for classification, with very good rules that can bring knowledge even if they are analyzed in isolation.-
Formato: dc.format96f. : il., grafs., tabs ; 30cm.-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Relação: dc.relationDisponível em formato digital-
Palavras-chave: dc.subjectAlgorítmos de computador-
Palavras-chave: dc.subjectCiência da Computação-
Título: dc.titleAprendizado de regras de classificação com otimização por nuvem de partículas multiobjetivo-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Rede Paraná Acervo

Não existem arquivos associados a este item.