Modelagem fuzzy para problemas de classificação com amostras não-factíveis

• Ano de defesa: 2024
• Autor(a) principal: Fuzyi, Estefânia Mayumi
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Lógica difusa; Reconhecimento de padrões; Aprendizado do computador; Alimentos; Qualidade; Fuzzy logic; Pattern recognition; Machine learning; Artificial intelligence; Quality; Food
• Link de acesso: https://repositorio.uel.br/handle/123456789/15642

Resumo: 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