Método para aumento de interpretabilidade em modelos de Takagi-Sugeno no sistema INFGMN

Detalhes bibliográficos
Autor(a) principal: Corrêa, César Eduardo
Data de Publicação: 2020
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/218362
Resumo: TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Ciências da Computação.
id UFSC_316b0be8a6ca5ed3bb9e69286804937e
oai_identifier_str oai:repositorio.ufsc.br:123456789/218362
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Método para aumento de interpretabilidade em modelos de Takagi-Sugeno no sistema INFGMNTakagi-SugenoSistemas Neuro-FuzzyModelo de Mistura de GaussianasDistinguibilidadeSimilaridadeNeuro-Fuzzy SystemsGaussian Mixture ModelDistinguishabilitySimilarityTCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Ciências da Computação.Interpretabilidade e acurácia são objetivos conflitantes em modelos de aprendizado de máquina, onde a melhora de um geralmente causa a piora do outro. A interpretabilidade dos modelos gerados é importante para que possa ser validado por especialistas do domínio e passar confiabilidade para tratar o problema. Para buscar o melhor equilíbrio entre os dois, uma abordagem comum em Sistemas de Inferência Fuzzy é empregar um Modelo Fuzzy Linguístico e melhorar sua acurácia, ou um Modelo Fuzzy Preciso e melhorar sua interpretabilidade. O INFGMN é um sistema neurofuzzy que utiliza da equivalência entre um Modelo de Mistura de Gaussianas e um Sistema de Inferência Fuzzy para extração de conhecimento, sendo capaz de gerar modelos de Mamdani- Larsen, um Modelo Fuzzy Linguístico. Neste trabalho busca-se expandir as funciona- lidades do INFGMN, proporcinando sua aplicação com modelos de Takagi-Sugeno, um Modelo Fuzzy Preciso, e melhorando sua interpretabilidade via distinguibilidade nas partições fuzzy, obtendo um bom equilíbrio entre acurácia e interpretabilidade. Para garantia de distinguibilidade, foi elaborado um método de similaridade de partição fuzzy para guiar a fusão e separação dos conjuntos fuzzy, ponderado pelos pesos das regras para gerar menores alterações nos conjuntos cujas regras descrevam melhor o sistema e não sejam oriundas de dados discrepantes. Os resultados apresentados para problemas offline demonstram a eficácia do método de similaridade utilizado, ao conseguir gerar uma partição fuzzy distinguível e, ademais, ser capaz de reduzir o overfitting. Para o experimento online com perturbações nos dados, os resultados não são muito promissores, mas sugerem ser uma boa alternativa para ambientes estáveis.Interpretability and accuracy are conflicting objectives in machine learning models, where improvement in one usually worsens the other. The interpretability of the gen- erated models is important so that it can be validated by experts in the field and pass reliability to address the problem. To seek the best trade-off between the two, a com- mon approach in Fuzzy Inference Systems is to employ a Linguistic Fuzzy Model and improve its accuracy, or an Accurate Fuzzy Model and improve its interpretability. The INFGMN is a neurofuzzy system that uses the equivalence between a Gaussian Mixture Model and a Fuzzy Inference System for knowledge extraction, being able to generate Mamdani-Larsen models, a Linguistic Fuzzy Model. This work seeks to expand the functionalities of the INFGMN, providing its application with Takagi-Sugeno models, a Precise Fuzzy Model, and improving its interpretability via distinguishability in fuzzy partitions, achieving a good trade-off between accuracy and interpretability. In order to guarantee distinguishability, a fuzzy partition similarity method was developed to guide the merging and separation of fuzzy sets, weighted by the weights of the rules to cause less changes in the sets whose rules better describe the system and are not derived from outliers. The results presented for offline problems demonstrate the effectiveness of the similarity method used, in being able to generate a distinguishable fuzzy partition and, in addition, being able to reduce overfitting. For the online experiment with data disturbances, the results are not very promising, but suggest that it is a good alternative for stable environments.Florianópolis, SC.Roisenberg, MauroUniversidade Federal de Santa CatarinaCorrêa, César Eduardo2020-12-13T18:38:40Z2020-12-13T18:38:40Z2020-11-19info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis103 f. + 1 zip (2 arquivos de código-fonte)application/octet-streamapplication/pdfhttps://repositorio.ufsc.br/handle/123456789/218362info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2020-12-13T18:38:40Zoai:repositorio.ufsc.br:123456789/218362Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732020-12-13T18:38:40Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Método para aumento de interpretabilidade em modelos de Takagi-Sugeno no sistema INFGMN
title Método para aumento de interpretabilidade em modelos de Takagi-Sugeno no sistema INFGMN
spellingShingle Método para aumento de interpretabilidade em modelos de Takagi-Sugeno no sistema INFGMN
Corrêa, César Eduardo
Takagi-Sugeno
Sistemas Neuro-Fuzzy
Modelo de Mistura de Gaussianas
Distinguibilidade
Similaridade
Neuro-Fuzzy Systems
Gaussian Mixture Model
Distinguishability
Similarity
title_short Método para aumento de interpretabilidade em modelos de Takagi-Sugeno no sistema INFGMN
title_full Método para aumento de interpretabilidade em modelos de Takagi-Sugeno no sistema INFGMN
title_fullStr Método para aumento de interpretabilidade em modelos de Takagi-Sugeno no sistema INFGMN
title_full_unstemmed Método para aumento de interpretabilidade em modelos de Takagi-Sugeno no sistema INFGMN
title_sort Método para aumento de interpretabilidade em modelos de Takagi-Sugeno no sistema INFGMN
author Corrêa, César Eduardo
author_facet Corrêa, César Eduardo
author_role author
dc.contributor.none.fl_str_mv Roisenberg, Mauro
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Corrêa, César Eduardo
dc.subject.por.fl_str_mv Takagi-Sugeno
Sistemas Neuro-Fuzzy
Modelo de Mistura de Gaussianas
Distinguibilidade
Similaridade
Neuro-Fuzzy Systems
Gaussian Mixture Model
Distinguishability
Similarity
topic Takagi-Sugeno
Sistemas Neuro-Fuzzy
Modelo de Mistura de Gaussianas
Distinguibilidade
Similaridade
Neuro-Fuzzy Systems
Gaussian Mixture Model
Distinguishability
Similarity
description TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Ciências da Computação.
publishDate 2020
dc.date.none.fl_str_mv 2020-12-13T18:38:40Z
2020-12-13T18:38:40Z
2020-11-19
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/218362
url https://repositorio.ufsc.br/handle/123456789/218362
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 103 f. + 1 zip (2 arquivos de código-fonte)
application/octet-stream
application/pdf
dc.publisher.none.fl_str_mv Florianópolis, SC.
publisher.none.fl_str_mv Florianópolis, SC.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652072332034048

Registros relacionados