Síntese de comitê de árvores de padrões fuzzy através da programação genética cartesiana em ambientes não estacionários
Ano de defesa: | 2018 |
---|---|
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/1/11758 |
Resumo: | A extração de dados em ambientes não estacionários requer técnicas diferentes das tradicionalmente utilizadas no aprendizado supervisionado. Aplicações como medição de temperatura por sensores, detecção de spam, previsão climática e preferência de compras de um consumidor são alguns dos exemplos de situações para as quais não é possível se supor que a distribuição dos dados não mudará no decorrer do tempo. Ambientes onde este cenário ocorre é caracterizado por mudanças denominadas concept drift. Neste trabalho é proposto um método baseado em um comitê de classificadores de árvores de padrões fuzzy, induzidos pela programação genética cartesiana, o qual deve ser capaz de se auto adaptar e manter o desempenho acurado, além de fornecer conhecimento de forma a auxiliar na tarefa de análise e interpretação dos dados. Para a execução dos experimentos foram analisadas bases de dados reais e artificiais com drifts distintos, alta dimensionalidade e diferentes balanceamentos entre as classes. Os resultados mostraram que o método é robusto e competitivo em comparação com outros da literatura. |