Meta-heurísticas de otimização tradicionais e híbridas utilizadas para construção de comitês de classificação

• Ano de defesa: 2016
• Autor(a) principal: Feitosa Neto, Antonino Alves
• Orientador(a): Canuto, Anne Magaly de Paula
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: Computação; Comitês de classificadores; Otimização meta-heurística; Medidas de boa e má diversidade; Algoritmo
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
• Link de acesso: https://repositorio.ufrn.br/jspui/handle/123456789/22684

Este trabalho aborda a construção de comitês de classificação através técnicas metaheurísticas de otimização tradicionais de híbridas. O problema de classificação de padrões é tratado como um problema de otimização procurando encontrar o subconjunto de atributos e classificadores do problema que minimize o erro de classificação do comitê. Os comitês são gerados a partir da combinação das técnicas de k-NN, Árvore de Decisão e Naive Bayes utilizando o voto majoritário. Os atributos dos classificadores base são modificados pelas metaheurísticas de algoritmos genéticos, algoritmos meméticos, PSO, ACO, Múltiplos Reinícios, GRASP, Simulated Annealing, Busca Tabu, ILS e VNS. Também são aplicados algoritmos provenientes da arquiteturas de metaheurísticas híbridas AMHM e MAGMA. São desenvolvidos algoritmos dessas metaheurísticas nas versões mono e multi-objetivo. São realizados experimentos em diferentes cenários mono e multiobjetivo otimizando o erro de classificação e as medidas de boa e má diversidade. O objetivo é verificar se adicionar as medidas de diversidade como objetivos de otimização resulta em comitês mais acurados. Assim, a contribuição desse trabalho é determinar se as medidas de boa e má diversidade podem ser utilizadas em técnicas de otimização mono e multiobjetivo como objetivos de otimização para construção de comitês de classificadores mais acurados que aqueles construídos pelo mesmo processo, porém utilizando somente a acurácia de classificação como objetivo de otimização. Verificamos que as metaheurísticas desenvolvidas apresentam melhores resultados que as técnicas clássicas de geração de comitês, isto é, Bagging, Boosting e Seleção Randômica. Verificamos também que na maioria das metaheurísticas o uso das medidas de diversidade como objetivos de otimização não auxilia na geração de comitês mais acurados que quando utilizado somente o erro de classificação como objetivo de otimização obtendo nos melhores cenários resultados não estatisticamente diferentes.