Autores

4414
250,1978
4415
250,1978

Informações:

Publicações do PESC

Título
Aprendizado Genético de Regras de Decisão Utilizando a Codificação Natural e Novos Operadores de Recombinação
Linha de pesquisa
Inteligência Artificial
Tipo de publicação
Dissertação de Mestrado
Número de registro
Data da defesa
24/8/2007
Resumo

Este trabalho apresenta uma proposta de construção de uma máquina de aprendizado genético de regras em que uma nova abordagem híbrida para a evolução dos conceitos é utilizada. O objetivo do sistema proposto é alcançar alta precisão (accuracy) de classificação utilizando teorias simples (compostas de poucas regras e poucos atributos). As regras são representadas na Forma Normal Disjuntiva Modificada e codificadas com a Codificação Natural, porém, o sistema possui as exclusivas propriedades: mecanismo implícito de seleção de atributos, nova abordagem híbrida para a evolução de teorias, novo operador de recombinação para dados discretos e novo operador de recombinação para dados contínuos (discretizados). O sistema foi avaliado em comparação a sistemas não genéticos que representam o estado da arte em aprendizado de regras de decisão (C4.5 e RIPPER) bem como comparado com outros sistemas de aprendizado genético de regras (GAssist e XCS). Os resultados mostram que o sistema proposto obtém regras de decisão bastante simples e com alta precisão de classificação quando comparado a outros sistemas.

Abstract

This work presents a genetic based system for rule learning where a new hybrid approach for the evolution of the concepts is used. The objective of the considered system is to achieve high classification accuracy using simple theories (composed of few mles and few attributes. The mles are represented in the Modified Disjunctive Normal Fosm and codified with the Natural Coding, however, the system has the exclusive properties: an implicit feature selection mechanism, a new hybrid approach for the evolution of theories, new crossover operator for discrete data and a new crossover operator for continuous data (discretized). The system was evaluated in comparison to non-genetic systems that represent the state of the art in rule learning (C4.5 and RIPPER) as well as compared with other genetic systems for rule learning (GAssist and XCS). Results show that the proposed system obtains simple decision rules with high classification accuracy when compared to other systems.

Arquivo
Topo