Modelagem fuzzy para problemas de classificação com amostras não-factíveis

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBarbon Junior, Sylvio [Orientador]-
Autor(es): dc.contributorSampaio, Lucas Dias Hiera-
Autor(es): dc.contributorSaito, Priscila Tiemi Maeda-
Autor(es): dc.contributorBarbin, Douglas Fernandes-
Autor(es): dc.creatorFuzyi, Estefânia Mayumi-
Data de aceite: dc.date.accessioned2025-05-15T12:54:33Z-
Data de disponibilização: dc.date.available2025-05-15T12:54:33Z-
Data de envio: dc.date.issued2024-05-01-
Data de envio: dc.date.issued2024-05-01-
Data de envio: dc.date.issued2025-05-15-
Data de envio: dc.date.issued2025-05-15-
Fonte completa do material: dc.identifierhttps://repositorio.uel.br/handle/123456789/15642-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/976956-
Descrição: dc.descriptionResumo: Alguns modelos de classificação não lidam muito bem com amostras reais, devido a rigidez de seus limites ou a existência de amostras que não se encaixam perfeitamente no intervalo esperado Em contrapartida, a Lógica Fuzzy apresenta vantagens como a transição gradual entre a alta e baixa pertinência da amostra ao conjunto, além de ser um modelo descritivo de fácil entendimento e análise dos resultados Dessa forma, a proposta desse trabalho é verificar o uso dos modelos Fuzzy para classificação de amostras não-factíveis e comparar seu desempenho com algoritmos de Aprendizado de Máquina Com esse objetivo, os métodos foram aplicados ao problema de avaliação de qualidade de carne suína, que apresenta diferentes padrões de avaliação e amostras não-factíveis quando utilizada a lógica Clássica para classificação De acordo com os experimentos, no pior caso a lógica Clássica foi capaz de classificar 5,88% de um dataset de 36 amostras, enquanto a Fuzzy Top-Down subiu para 18,3% Em relação aos algoritmos de Aprendizado de Máquina, a Random Forest (RF) apresentou melhores resultados em comparação aos demais, com acurácias de 1% na maioria dos casos Porém, o Fuzzy Top-Down foi capaz de igualá-la ou até mesmo superá-la, como quando a RF obteve acurácia de 63,4% e o Fuzzy Top-Down de 1%, o que comprova sua aderência ao problema-
Descrição: dc.descriptionDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da Computação-
Descrição: dc.descriptionAbstract: Some classification models does not handle very well with real samples, because of its rigid thresholds and samples that do not fit perfectly in the expected interval On the other hand, the Fuzzy Logic has advantages like the smooth transition between full membership and no membership to a set, besides being a descriptive model with results of easy understanding In this way, this paper verifies the use of Fuzzy models to classify infeasible samples and compares its performance with Machine Learning algorithms For this purpose, theses methods were applied to pork quality assessment,which has different class grades and infeasible samples when classified by Classical Logic According to the experiments, in the worst case, the Classical Logic was able to classify only 5,88% of a dataset with 36 samples, while Fuzzy Top-Down increased to 18,3% Regarding Machine Learning algorithms, the Random Forest (RF) showed better results than others, with 1% accuracy in most cases However, Fuzzy Top-Down achieved the same or better results than RF, for instance when RF got 63,4% and Fuzzy Top-Down 1%, which address its adherence to the problem-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Relação: dc.relationMestrado-
Relação: dc.relationCiência da Computação-
Relação: dc.relationCentro de Ciências Exatas-
Relação: dc.relationPrograma de Pós-Graduação em Ciência da Computação-
Palavras-chave: dc.subjectLógica difusa-
Palavras-chave: dc.subjectReconhecimento de padrões-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectAlimentos-
Palavras-chave: dc.subjectQualidade-
Palavras-chave: dc.subjectFuzzy logic-
Palavras-chave: dc.subjectPattern recognition-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectQuality-
Palavras-chave: dc.subjectFood-
Título: dc.titleModelagem fuzzy para problemas de classificação com amostras não-factíveis-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional da UEL - RIUEL

Não existem arquivos associados a este item.