Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/20950
Document type: | Dissertação |
Access type: | Acesso Aberto |
Title: | Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-Linear |
Alternate title (s): | Application of Genetic Algorithms for the Mining of Rules IF-THEN in Datasets with Non-Linear Distribution |
Author: | Matos, Maicon Douglas dos Santos |
First Advisor: | Amaral, Laurence Rodrigues do |
First member of the Committee: | Gabriel, Paulo Henrique Ribeiro |
Second member of the Committee: | Santos, Edimilson Batista dos |
Summary: | O presente trabalho tem a finalidade de realizar a mineração de regras de classificação de alto nível (SE-ENTÃO) em conjunto de dados com atributos contínuos e distribuição de dados não linear, de maneira precisa e compreensível. Desse modo, utilizou-se a técnica de Algoritmos Genéticos (AGs) — métodos de pesquisa computacional baseados na teoria evolutiva de Darwin — para desenvolver dois algoritmos: o MIRGA e MDRGA. O MIRGA é uma extensão do algoritmo NLCEE de Amaral e Hruschka, e seus resultados foram promissores em comparação ao NLCEE. Consequentemente originou-se o segundo algoritmo, o MDRGA, que obteve o melhor resultado de classificação para os conjuntos de dados Diabetes, Sonar, Iris, Bupa e Ionosphere em comparação a outros métodos baseados em AG (CEE e NLCEE) e métodos de classificação tradicionais, tais como: J48, Random Forest, PART, Naive Bayes, IBK e MLP. |
Abstract: | The present work has the purpose of accomplishing the mining of high-level classification rules (IF-THEN) in data set with continuous attributes and non-linear data distribution, in a precise and comprehensible way. Thus, we used the Genetic Algorithm (GA) technique - computational research methods based on Darwin's evolutionary theory - to develop two algorithms, MIRGA and MDRGA. The MIRGA is an extension of the NLCEE algorithm of Amaral and Hruschka, and its results were similar and even inferior in comparison to the NLCEE. Consequently, the second algorithm, MDRGA, was originated and it has obtained the best classification result for the data sets, Sonar, Iris, Bupa and Ionosphere, in comparison to other methods based on GA (CEE and NLCEE) and traditional classification methods, such as: J48, Random Forest, PART, Naive Bayes, IBK and MLP. |
Keywords: | Algoritmos Genéticos (AGs) AGs não lineares Tarefa de classificação Conjuntos de dados não lineares Regras SE-ENTÃO Genetic Algorithms (GAs) Nonlinear GAs Classification task Non-linear data sets Rules IF-THEN |
Area (s) of CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Language: | por |
Country: | Brasil |
Publisher: | Universidade Federal de Uberlândia |
Program: | Programa de Pós-graduação em Ciência da Computação |
Quote: | MATOS, Maicon Douglas dos Santos. Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-Linear. 2018. 150 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2018. |
Document identifier: | http://dx.doi.org/10.14393/ufu.di.2018.199 |
URI: | https://repositorio.ufu.br/handle/123456789/20950 |
Date of defense: | 9-Feb-2018 |
Appears in Collections: | DISSERTAÇÃO - Ciência da Computação |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
AplicacaoAlgoritmosGeneticos.pdf | Dissertação | 8.82 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.