Clusterização através de árvores de padrões fuzzy e programação genética cartesiana

• Ano de defesa: 2017
• Autor(a) principal: Araujo, Vivian de Oliveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Faculdade de Engenharia; BR; UERJ; Programa de Pós-Graduação em Engenharia Eletrônica
• Palavras-chave em Português: Electronic Engineering; Grouping of related data; Diffuse logic; Machine Learning; Clustering; Cartesian Genetic Programming; Interpretability; Engenharia eletrônica; Agrupamento de dados relacionados; Lógica difusa; Aprendizado de máquina; Árvores Fuzzy de Padrões; Programação Genética Cartesiana; Clusterização; Interpretabilidade; CNPQ::ENGENHARIAS
• Link de acesso: http://www.bdtd.uerj.br/handle/1/11867

Esta dissertação apresenta um modelo de clusterização fuzzy. Ao invés de utilizar a abordagem tradicional de sistemas fuzzy baseados em regras, foi utilizado o modelo de Árvore de Padrões Fuzzy (APF), que é um modelo hierárquico, com uma estrutura baseada em árvores que possuem como nós internos operadores lógicos fuzzy e as folhas são compostas pela associação de termos fuzzy com os atributos de entrada. O modelo sintetiza uma árvore para cada grupo, que será uma descrição lógica do grupo o que permite analisar e interpretar como é feita a clusterização. O método de aprendizado concebido utiliza Programação Genética Cartesiana onde a função de aptidão reflete a qualidade da clusterização obtida através de diferentes índices. O modelo proposto foi comparado com diferentes técnicas de clusterização tais como: k-means, k-medoids, hierárquico, Fuzzy C-means, Mapas de Kohonen e DBSCAN em bases de dados artificiais e do UCI Machine Learning Repository, tendo apresentado resultados competitivos. Ele também foi aplicado para resolver um problema de segmentação de mercado em uma operadora de telefonia com resultados promissores.