APFR-CGP: síntese de árvores padrões fuzzy para problemas de regressão via programação genética cartesiana
Ano de defesa: | 2017 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
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. |