Publicação: Aprendizado de máquina aplicado a um estudo de caso de classificação de qualidade de maçãs
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
O uso de aprendizado de máquina, do inglês Machine Learning (ML), tem se destacado por
suas contribuições significativas em diversas áreas, incluindo a Engenharia Química, ao
possibilitar a análise de grandes volumes de dados e a extração de padrões complexos.
Modelos de classificação, em particular, têm sido amplamente aplicados para prever
resultados em processos industriais, permitindo a automação de decisões e a melhoria da
eficiência. Este estudo teve como foco a aplicação de diferentes técnicas ensemble em
modelos de árvores de decisão, com o objetivo de investigar o desempenho dessas abordagens
em problemas de classificação. Técnicas ensemble, como bagging e boosting, combinam
múltiplos modelos para melhorar a performance geral, especialmente em cenários onde
modelos individuais podem apresentar limitações em termos de precisão e robustez. A
investigação visou avaliar o desempenho das técnicas de ensemble em comparação com
modelos isolados, considerando métricas de performance como acurácia, precisão, recall e
F1-score. Além disso, foram utilizadas técnicas de interpretabilidade de modelos, como o
SHAP (Shapley Additive Explanations), para entender o impacto de cada variável nas
previsões e garantir que os resultados fossem interpretáveis e aplicáveis a contextos
industriais. A interpretabilidade é uma questão crítica, especialmente em áreas como a
Engenharia Química, onde a compreensão das decisões do modelo pode ser tão importante
quanto sua precisão. Os resultados demonstraram que ambas as técnicas de ensemble,
bagging e boosting, tiveram bom desempenho, com alta acurácia e robustez na maioria das
tarefas. No entanto, o boosting apresentou uma capacidade superior de ajuste dos erros, ao
minimizar de forma mais eficaz os vieses presentes nos dados. Essa técnica mostrou-se
particularmente eficiente em melhorar a performance em casos onde os modelos de árvore de
decisão isolados enfrentaram dificuldades em lidar com outliers ou padrões complexos nos
dados. As conclusões deste trabalho reforçam a importância de explorar diferentes técnicas
de aprendizado de máquina e avaliar seu desempenho de forma criteriosa, considerando não
apenas as métricas tradicionais, mas também a interpretabilidade dos modelos. Técnicas
como boosting oferecem soluções promissoras para problemas complexos, garantindo que os
modelos não apenas tenham boa performance, mas também possam ser compreendidos e
aplicados de forma prática em ambientes reais.
Abstract
The use of machine learning (ML) has become prominent for its significant contributions across
various fields, including Chemical Engineering, by enabling the analysis of large data volumes
and extracting complex patterns. Classification models, in particular, have been widely applied
to predict outcomes in industrial processes, allowing decision automation and efficiency
improvements. This study focused on applying different ensemble techniques to decision tree
models, aiming to investigate the performance of these approaches in classification problems.
ensemble techniques, such as bagging and boosting, combine multiple models to improve
overall performance, especially in scenarios where individual models may have limitations in
terms of accuracy and robustness. The research aimed to evaluate the performance of ensemble
techniques compared to standalone models, considering performance metrics such as accuracy,
precision, recall, and F1-score. Additionally, model interpretability techniques, such as SHAP
(Shapley Additive Explanations), were used to understand the impact of each variable on
predictions and ensure that the results were interpretable and applicable to industrial contexts.
Interpretability is a critical issue, especially in fields like Chemical Engineering, where
understanding the model’s decisions can be as important as its accuracy. The results showed
that both ensemble techniques, bagging and boosting, performed well, with high accuracy and
robustness in most tasks. However, boosting exhibited a superior ability to adjust errors,
effectively minimizing biases in the data. This technique proved particularly efficient in
improving performance in cases where standalone decision tree models struggled with outliers
or complex data patterns. The conclusions of this study reinforce the importance of exploring
different machine learning techniques and evaluating their performance carefully, considering
not only traditional metrics but also the interpretability of the models. Techniques like boosting
offer promising solutions for complex problems, ensuring that models not only perform well
but can also be understood and practically applied in real-world environments.
Palavras-chave
Aprendizado de Máquina; Algoritmo; Engenharia Química; Modelo., Machine Learning; Algorithm; Chemical Engineering; Model.
Citação
OLIVA, Julia Caratta. Aprendizado de máquina aplicado a um estudo de caso de classificação de qualidade de maçãs. 2024. 46 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Química) - Universidade Federal de Uberlândia - 2024.