Extração de conhecimentos com interpretabilidade aumentada utilizando modelagem fuzzy e otimização multi-objetivo

• Ano de defesa: 2013
• Autor(a) principal: Rogério Ishibashi
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Tecnológico de Aeronáutica
• Palavras-chave em Português: Sistemas de apoio à decisão; Tomada de decisões; Lógica nebulosa; Fusão de multisensor; Sistemas especialistas; Otimização; Computação
• Link de acesso: http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=2890

Esta tese aborda o problema de extração de conhecimentos a partir de um conjunto de dados de entradas e saídas, afim de auxiliar um especialista no domínio do problema em um processo de tomada de decisão. O objetivo é disponibilizar para o especialista um conjunto de modelos que ofereçam diferentes compromissos de qualidade entre dois requisitos importantes e contraditórios: a acurácia do modelo e a sua interpretabilidade. O método proposto, chamado MoGFT-I, fornece um conjunto de modelos fuzzy do tipo Mamdani através das seguintes etapas: 1) a partir de um conjunto de dados de entrada/saída, um algoritmo de indução, tal como o C4.5, é utilizado para produzir as regras de uma árvore de decisão; 2) essa árvore de decisão é transformada em um modelo fuzzy; e 3) as funções de pertinência do modelo fuzzy são calibradas usando um algoritmo genético multi-objetivo que realiza uma busca bi-dimensional considerando a acurácia e a interpretabilidade dos modelos. A saída do método MoGFT-I é um conjunto de modelos fuzzy do tipo Mamdani que são distribuídos ao longo de uma curva de Pareto. Esse método foi aplicado e validado nos seguintes estudos de caso: 1) estimativa do tempo de vida restante de um motor aeronáutico; 2) reconhecimento de imagens binárias 7x7 ruidosas; e 3) controle de um carro com um pêndulo invertido. As simulações desses estudos de caso são apresentadas e seus resultados discutidos.