Classificação de dados híbridos através de algoritmos evolucionários

• Autor(a) principal: Marconi de Arruda Pereira
• Data de Publicação: 2012
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/BUOS-9AYG7M
• topic: Engenharia Elétrica; Engenharia elétrica

A mineração de dados tem se tornado uma aliada do tomador de decisão atual, tanto nas grandes quanto nas pequenas corporações: informações não triviais são identificadas de maneira a possibilitar correções e ajustes nas estratégias econômicas e administrativas. Aliando-se a este fato, vê-se um grande crescimento no uso de informações georreferenciadas, de maneira que a mineração de dados convencional já não é capaz de responder a todas às questões de uma corporação. A pesquisa bibliográfica realizada no contexto deste trabalho mostrou que ainda existem poucos métodos capazes de extrair conhecimento a partir de dados híbridos, principalmente quando se trata de dados convencionais (numéricos e textuais) e geográficos (pontos, linhas e polígonos). O objetivo principal deste trabalho consiste no desenvolvimento de novos algoritmos que sejam capazes de explorar todos os atributos, convencionais ou geográficos, de um banco de dados, visando extrair as informações relevantes. Os algoritmos evolucionários foram escolhidos como ponto de partida para a elaboração desses novos algoritmos, pelos seguintes motivos: (a) são flexíveis, uma vez que podem ser aplicados em diversos contextos; (b) são robustos, pois tendem a explorar satisfatoriamente o espaço de busca, encontrando soluções viáveis. Para se alcançar o objetivo proposto, foi elaborado um primeiro algoritmo de obtenção de regras de classificação (NGAE), baseado num Algoritmo Genético, que pode ser aplicado em bancos de dados compostos por dados numéricos. Posteriormente, foi elaborado outro algoritmo (DMGeo), baseado na Programação Genética, que visa obter regras de classificação de padrões que possuem atributos numéricos e atributos geográficos. Finalmente, o DMGeo foi estendido para uma versão multiobjetivo mais robusta e eficiente, chamada MDMGeo. Todos os algoritmos propostos foram comparados com outros algoritmos eficientes na tarefa de classificação de dados, utilizando bancos de dados benchmark além de bancos reais. Os experimentos realizados mostram que o resultado final obtido é um conjunto de ferramentas robusto e eficiente, em particular, quando aplicado sobre dados híbridos.