Publicação: Seleção de atributos para monitoração de Cloud-Networks: uma Análise do compromisso entre desempenho preditivo e complexidade computacional
Carregando...
Tipo do documento
Data
Direito de acesso
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO::TELEINFORMATICA, CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::ANALISE DE ALGORITMOS E COMPLEXIDADE DE COMPUTACAO, CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO::ARQUITETURA DE SISTEMAS DE COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
A seleção de atributos é uma etapa fundamental na construção de modelos de aprendizado de máquina, especialmente em ambientes de monitoração de infraestruturas de redes e computação em nuvem, nos quais sistemas de orquestração podem coletar centenas ou milhares de métricas simultaneamente. Este trabalho investiga o compromisso entre desempenho preditivo e custo computacional em quatro métodos de seleção de atributos — busca exaustiva, seleção progressiva (Forward Selection), eliminação regressiva (Backward Selection) e SelectKBest — aplicados à predição de métricas de qualidade de serviço (QoS) em cloud networks. Para avaliar esse compromisso de forma sistemática, a busca exaustiva é utilizada como referência empírica para o melhor subconjunto de atributos identificado no espaço de busca considerado, enquanto os métodos heurísticos são comparados a esse referencial segundo as métricas MSE e NMAE. Os experimentos envolvem três algoritmos de aprendizado supervisionado — Regressão Linear, Árvore de Decisão e Random Forest — cinco configurações de conjuntos de dados e cinco sementes aleatórias distintas. Os resultados indicam que a seleção progressiva frequentemente encontra subconjuntos de atributos com desempenho muito próximo — e, em alguns casos, idêntico ao melhor resultado identificado pela busca exaustiva — para os modelos de Regressão Linear e Árvore de Decisão, apresentando pequena degradação no caso do Random Forest, ao mesmo tempo em que reduz significativamente o tempo de execução. A eliminação regressiva apresenta desempenho comparável para modelos lineares e florestas aleatórias, mas mostra maior sensibilidade no caso da Árvore de Decisão. O método SelectKBest destaca-se pelo custo computacional mínimo e por resultados adequados para modelos lineares, configurando-se como alternativa prática em cenários de altíssima dimensionalidade. A consistência dos resultados ao longo das diferentes sementes aleatórias reforça a robustez das conclusões experimentais.
Abstract
Palavras-chave
Seleção de atributos, Aprendizado de máquina, Qualidade de serviço, Cloud-networks, Busca exaustiva
Citação
GOMES, Igor Augusto Reis. Seleção de atributos para monitoração de Cloud-Networks: uma análise do compromisso entre desempenho preditivo e complexidade computacional. 2026. 88 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2026.
DOI
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto