Unsupervised Fuzzy eIX: clusterização interna-externa fuzzy evolutiva de fluxos de dados não-estacionários

• Ano de defesa: 2022
• Autor(a) principal: Aguiar, Charles Carvalho de
• Orientador(a): Leite, Daniel
• Banca de defesa: Leite, Daniel Furtado, Cordovil Junior, Luiz Alberto Queiroz, Camargos Filho, Murilo Cesar Osorio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Sistemas e Automação
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Aprendizado não supervisionado; Sistema Fuzzy evolutivo; Computação granular; Fluxos de dados online; Unsupervised learning; Evolving Fuzzy system; Granular computing; Online data stream
• Área do conhecimento CNPq: Automação Eletrônica de Processos Elétricos e Industriais
• Link de acesso: https://repositorio.ufla.br/handle/1/49682

Modelos classificadores com fronteiras de decisão variantes no tempo, isto é, classificadores evolutivos, desempenham um papel importante em um cenário em que as informações só podem ser descobertas a partir de um fluxo de dados online. Este texto apresenta um novo método de aprendizado não supervisionado para dados numéricos chamado evolving Internal-eXternal Fuzzy Clustering (Fuzzy eIX). Desenvolve-se a noção de grânulos fuzzy de dupla fronteira e elabora-se sobre suas implicações. Sistemas de inferência fuzzy evolutivos tipo 1 e tipo 2 podem ser obtidos a partir de projeções de grânulos fuzzy eIX em eixos ortogonais correspondentes às dimensões do problema. O algoritmo de aprendizado de modelos Fuzzy eIX é guiado pelo princípio da Granularidade Balanceada de Pedrycz para obter um nível mais alto de compreensibilidade e interpretabilidade do modelo em um domínio. Grânulos internos e externos são atualizados a partir de um fluxo de dados numérico. Concomitantemente, a estrutura granular global do classificador é autonomamente construída e adaptada. Um problema sintético preliminar chamado Rotação das Gaussianas Gêmeas mostra o comportamento do classificador frente a um fluxo de dados não estacionário. Além disso, o desempenho do método é comparado àqueles de outros métodos já estabelecidos na literatura quanto à classificação de bases de dados benchmark em aprendizado de máquina online. As comparações levam em conta a qualidade das partições geradas por meio de índices de validação incrementais, a acurácia e a compactação da estrutura de regras resultante.