Navegando por Autor "Bernardini, Flávia Cristina"

Agora exibindo 1 - 3 de 3
  • Imagem de Miniatura
    Item
    Uma comparação experimental de ensembles de árvores de decisão e de regras utilizando a técnica de Boosting.
    (2002-04) Bernardini, Flávia Cristina; Monard, Maria Carolina
    Um dos temas atuais em aprendizado de máquina supervisionado está relacionado com o estudo de métodos de construção de ensembles de classificadores, os quais podem ser mais precisos que os classificadores individuais que compõem o ensemble. Vários métodos têm sido propostos para construir ensembles, entre eles métodos que manipulam o conjunto de exemplos de treinamento. Existem várias técnicas para manipular o conjunto de treinamento, entre elas a técnica do Boosting. O objetivo deste trabalho é analisar experimentalmente a técnica de Boosting utilizando dois algoritmos de aprendizado de máquina: um que induz árvores de decisão e outro que induz regras.
  • Imagem de Miniatura
    Item
    Descrição da arquitetura e do projeto do sistema computacional GAERE para realizar evolução genética de classificadores simbólicos.
    (2006-05) Bernardini, Flávia Cristina; Monard, Maria Carolina
    Nos dias atuais, há uma grande quantidade de dados armazenados em bases de dados reais, que continua a crescer rapidamente. Assim, existe a necessidade de extrair conhecimento da informação contida nesses dados. Esse problema é típico da área de Mineração de Dados, na qual é frequentemente utilizado Aprendizado de Máquina para a extração de conhecimento. Entretanto, os algoritmos de aprendizado geralmente realizam um tipo de busca local no espaço de soluções (hipóteses) para encontrar uma solução para o problema, encontrando assim soluções ótimas locais. Além disso, esses algoritmos avaliam a hipótese incompleta a cada iteração até chegar na hipótese final. Para tentar resolver esses problemas, pode-se utilizar Algoritmos Evolutivos (AEs), os quais geralmente realizam uma busca mais global no espaço de hipóteses e, tipicamente, avaliam hipóteses (soluções) completas a cada iteração para chegar à hipótese (solução) final. Também, em problemas que envolvem grandes bases de dados, pode-se retirar amostras dessas bases, induzir classificadores dessas amostras e evoluir esses classificadores utilizando AEs. O objetivo deste trabalho é propor e descrever o projeto de um sistema computacional, denominado GAERE, que implementa Algoritmos Genéticos, um sub-paradigma de AEs, para evoluir hipóteses (classificadores) simbólicas em uma hipótese final, única, preferencialmente melhor que as hipóteses iniciais. O foco deste trabalho está em evoluir classificadores simbólicos, que podem ser expressos na forma de regras de conhecimento, para que o classificador final possa explicar ao usuário a classificação atribuída a um novo exemplo; essa capacidade de explicação é de fundamental importância em muitos domínios de conhecimento, tais como medicina.
  • Imagem de Miniatura
    Item
    Um estudo de caso utilizando o módulo de combinação e explicação do Rule System.
    (2002-04) Bernardini, Flávia Cristina; Monard, Maria Carolina
    Encontra-se em desenvolvimento no LABIC - Laboratório de Inteligência Computacional um projeto de grande porte denominado DISCOVER, que tem por objetivo fornecer um ambiente integrado para apoiar as etapas do processo de descoberta de conhecimento. No intuito de testar algumas idéias que poderão futuramente ser implementadas no ambiente DISCOVER, foi implementado um sistema computacional denominado Rule System na linguagem de programação lógica Prolog. O Rule System utiliza conjuntos de classificadores simbólicos induzidos por diferentes algoritmos de Aprendizado de Máquina e tem como objetivos: avaliar as regras de conhecimento que constituem esses Classificadores, avaliar diversas formas de combinar esses classificadores bem como explicar a classificação de novos exemplos por esse conjunto, ou ensemble, de classificadores. Dentre os módulos do Rule System, está o Módulo de Combinação e Explicação- MCE -, responsável pela tarefa de explicação de ensembles e combinação de Classificadoras. Um dos procedimentos principais do MCE é o rco/4, que implementa o algoritmo RCC. 0 RCO é um algoritmo de seleção de regras que utiliza como entrada um conjunto de hipóteses (classificadores), constituídas por regras e um subconjunto de dados do domínio. O objetivo deste trabalho é analisar as hipóteses construídas utilizando seis critérios diferentes do algoritmo RGO, com as hipóteses induzidas pelo algoritmo de aprendizado de máquina CN2. Os experimentos foram realizados utilizando um conjunto de dados do mundo real, relacionados ao processamento de sêmen diagnóstico.