Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/28888
Full metadata record
DC FieldValueLanguage
dc.creatorAlves, Alexandre Henrick da Silva-
dc.date.accessioned2020-03-04T18:45:40Z-
dc.date.available2020-03-04T18:45:40Z-
dc.date.issued2020-02-20-
dc.identifier.citationALVES, Alexandre Henrick da Silva. Análise de novas abordagens para mineração de regras de classificação utilizando algoritmos genéticos. 2020. 134 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2020. DOI http://doi.org/10.14393/ufu.di.2020.260.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/28888-
dc.description.abstractThe classification task is among the most used in Data Mining and is widely researched nowadays. Several works have already been developed using Genetic Algorithms for classification tasks through the evolution of IF-THEN classification rules and good results have been obtained. These methods often use the same chromosome structure, integer, and real values, and this structure may impose some limitations on their operation. Also, these methods use the same approach for choosing the attributes that will compose the rules. In this work, two new methods were proposed, called BIN-NLCEE and IG-CEE. BIN-NLCEE uses a new chromosomal structure by binary values. The IG-CEE method uses an attribute evaluation measure, called Information Gain, to select the attributes that can compose the rules. Four medical domain datasets were used for BIN-NLCEE validation and 3 synthetic datasets for IG-CEE validation. Both were compared with their source methods and 4 other traditional classifiers (J48, IBK, Naive Bayes and SVM). The results showed that the proposed methods were able to generate better fitness values and better convergence rates.pt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectAlgoritmos Genéticospt_BR
dc.subjectClassificação de Dadospt_BR
dc.subjectRegras SE-ENTÃOpt_BR
dc.subjectCromossomo Bináriopt_BR
dc.subjectGanho de Informaçãopt_BR
dc.subjectGenetic Algorithmspt_BR
dc.subjectData classificationpt_BR
dc.subjectIF-THEN Rulespt_BR
dc.subjectBinary Chromosomept_BR
dc.subjectInformation Gainpt_BR
dc.titleAnálise de novas abordagens para mineração de regras de classificação utilizando algoritmos genéticospt_BR
dc.title.alternativeAnalysis of New Approaches to Mining Classification Rules Using Genetic Algorithmspt_BR
dc.typeDissertaçãopt_BR
dc.contributor.advisor1Amaral, Laurence Rodrigues do-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/6978567037098928pt_BR
dc.contributor.referee1Carneiro, Murillo Guimarães-
dc.contributor.referee2Xavier, Carolina RIbeiro-
dc.creator.Latteshttp://lattes.cnpq.br/8559466091540370pt_BR
dc.description.degreenameDissertação (Mestrado)pt_BR
dc.description.resumoA tarefa de classificação está entre as mais utilizadas em Mineração de Dados e é amplamente pesquisada nos dias atuais. Vários trabalhos já foram desenvolvidos utilizando Algoritmos Genéticos para tarefa de classificação através da evolução de regras de classificação do tipo SE-ENTÃO e bons resultados já foram obtidos. Esses métodos geralmente utilizam a mesma estrutura cromossômica, números inteiros e reais, e essa estrutura pode impor algumas limitações na sua operação. Além da representação cromossômica, esses métodos também utilizam a mesma abordagem para escolha dos atributos para compor as regras. Nesse trabalho, foram propostos dois novos métodos, chamados de BIN-NLCEE e IG-CEE. O BIN-NLCEE utiliza uma nova estrutura cromossômica, através de valores binários. Já o método IG-CEE utiliza uma medida de avaliação de atributos, o Information Gain, para selecionar os atributos que podem compor as regras. Foram utilizados 4 datasets de domíno médico para a validação do BIN-NLCEE e 3 datasets sintéticos para a validação do IG-CEE. Ambos foram comparados com seus métodos de origem e outros 4 classificadores tradicionais (J48, IBK, Naive Bayes e SVM). Os resultados mostraram que os métodos propostos foram capazes de gerar melhores valores de fitness e melhores taxas de convergência.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computaçãopt_BR
dc.sizeorduration134pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.identifier.doihttp://doi.org/10.14393/ufu.di.2020.260pt_BR
dc.crossref.doibatchid31c27b13-c9cd-46cd-9454-c1199557d5d7-
Appears in Collections:DISSERTAÇÃO - Ciência da Computação

Files in This Item:
File Description SizeFormat 
AnaliseNovasAbordagens.pdfDissertação1.15 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.