Otimização de comitês de agrupamento usando o algoritmo coral reefs optimization

• Autor(a) principal: Silva, Huliane Medeiros da
• Data de Publicação: 2016
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/jspui/handle/123456789/21651
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO; Aprendizado de Máquina; Comitês de agrupamento; Otimização

O presente trabalho está inserido na linha de pesquisa de aprendizado de máquina, que é um campo de pesquisa associado à Inteligência Artificial e dedicado ao desenvolvimento de técnicas que, permitem ao computador aprender com experiências passadas. Em aprendizado de máquina, há diferentes tarefas de aprendizado que pertencem a determinado paradigma de aprendizado, entre elas podemos citar agrupamento de dados, que pertencente ao paradigma de aprendizado não supervisionado. Diversos algoritmos de agrupamento vêm sendo utilizados com sucesso em diferentes aplicações. No entanto, cada algoritmo possui suas próprias características e limitações, que podem gerar diferentes soluções para um mesmo conjunto de dados. Dessa forma, combinar vários métodos de agrupamento (comitês de agrupamento), capaz de aproveitar as características de cada algoritmo é uma abordagem bastante utilizada na tentativa de superar as limitações de cada técnica de agrupamento. Nesse contexto, diversas abordagens têm sido propostas na literatura no intuito de otimizar, ou seja, de melhorar cada vez mais as soluções encontradas. Dessa forma, o objetivo deste trabalho é propor uma abordagem para otimização de comitês de agrupamento, por meio da função consenso, utilizando técnicas inspiradas na natureza. Essa abordagem consiste na formação de um comitê de agrupamento heterogêneo, de modo que as partições iniciais são combinadas por um método que utilizada o algoritmo de otimização Coral Reefs Optimization com o método de co-associação, resultando em uma partição final. Essa estratégia é avaliada através dos índices de avaliação de agrupamento, Dunn, Calinski-Harabasz, Dom e Jaccard, no intuito de analisar a viabilidade da abordagem proposta. Finalmente, o desempenho da abordagem proposta é comparado com duas outras abordagens, são elas: algoritmo genético com o método de co-associação e o método de co-associação tradicional. Essa comparação é feita através da utilização de testes estatísticos, especificamente teste de Friedman.