Redução de dimensionalidade em base de dados de microarranjo usando rede neural autocodificadora

• Autor(a) principal: Melo, Rafael Felipe Tasaka de
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/26469
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Mineração de dados (Computação); Algorítmos; Aprendizado do computador; Banco de dados; Data mining; Algorithms; Machine learning; Data bases

Algoritmos de Aprendizagem de Máquina vem sendo cada vez mais utilizados pela sua capacidade de aprender a partir de grandes volumes de dados como, por exemplo, dados de expressão gênica obtidos pela técnica de microarranjo. Uma característica das bases de dados de microarranjos é que, geralmente, ela é formada por uma grande quantidade de atributos e um pequeno número de amostras. Bases de dados com alta dimensionalidade podem possuir atributos redundantes e muitas vezes irrelevantes, podendo atrapalhar o processo de aprendizagem e o desempenho das predições. Métodos de redução de dimensionalidade são utilizados para reduzir a quantidade de atributos das bases de dados. Redes neurais autocodificadoras podem ser adaptadas e utilizadas para a extração de atributos e, consequentemente, a redução da dimensionalidade. Este trabalho tem como objetivo utilizar uma rede neural autocodificadora combinada a uma rede neural classificadora para realizar uma redução de dimensionalidade. Para isso, serão realizados experimentos em cinco bases de dados. Os resultados foram avaliados por meio da taxa de acerto dos classificadores KNN, SVM, Naive Bayes e Árvore de Decisão. Os resultados mostram que o método criou base de dados menores e que apresentam uma boa representação.