APFR-CGP: síntese de árvores padrões fuzzy para problemas de regressão via programação genética cartesiana

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Almeida, Cesar Eduardo Rodrigues Ferreira de
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade do Estado do Rio de Janeiro
Centro de Tecnologia e Ciências::Faculdade de Engenharia
BR
UERJ
Programa de Pós-Graduação em Engenharia Eletrônica
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: http://www.bdtd.uerj.br/handle/1/11845
Resumo: Este trabalho explora um modelo alternativo que emprega a teoria dos conjuntos fuzzy para resolver problemas de regressão. Ao invés do tradicional Sistema Fuzzy Baseado em Regras foi utilizada a estrutura hierárquica denominada Fuzzy Pattern Trees for Regression (Árvores de Padrões Fuzzy para regressão-APF), que representa o conhecimento de forma mais compacta e fornece um compromisso entre acurácia e interpretabilidade. Esta estrutura na forma de árvore é composta por folhas que são termos fuzzy associados aos atributos, e de nós que são os operadores utilizados em sistemas fuzzy. Já as saídas são aproximações dos valores reais de funções que foram sintetizadas para resolver o problema de regressão. O algoritmo para síntese foi substituído pela Programação Genética Cartesiana (PGC), que consegue explorar grandes espaços de busca de forma eficiente. Neste trabalho foram criados dois modelos que exploram a sinergia das APFs e da PGC. A parte experimental realizada através de base de dados (BD) disponíveis no UCI e KEEL buscou achar uma melhor configuração geral para as árvores e comparar os modelos aqui criados com os métodos k-vizinhos mais próximos, Regressão Linear, Árvores de Regressão, Máquinas de Vetores de Suporte e Multilayer Perceptron. Além disso, houve a comparação com o método original das APFs. Os resultados obtidos se mostraram competitivos em termos de acurácia e de interpretabilidade.