Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-Linear
| Ano de defesa: | 2018 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Federal de Uberlândia
Brasil Programa de Pós-graduação em Ciência da Computação |
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://repositorio.ufu.br/handle/123456789/20950 http://dx.doi.org/10.14393/ufu.di.2018.199 |
Resumo: | 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. |
| id |
UFU_dff5744d2154d44ce5311c5bc34c5b15 |
|---|---|
| oai_identifier_str |
oai:repositorio.ufu.br:123456789/20950 |
| network_acronym_str |
UFU |
| network_name_str |
Repositório Institucional da UFU |
| repository_id_str |
|
| spelling |
Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-LinearApplication of Genetic Algorithms for the Mining of Rules IF-THEN in Datasets with Non-Linear DistributionAlgoritmos Genéticos (AGs)AGs não linearesTarefa de classificaçãoConjuntos de dados não linearesRegras SE-ENTÃOGenetic Algorithms (GAs)Nonlinear GAsClassification taskNon-linear data setsRules IF-THENCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOThe 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.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorDissertação (Mestrado)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.Universidade Federal de UberlândiaBrasilPrograma de Pós-graduação em Ciência da ComputaçãoAmaral, Laurence Rodrigues dohttp://lattes.cnpq.br/6978567037098928Gabriel, Paulo Henrique Ribeirohttp://lattes.cnpq.br/3181954061121790Santos, Edimilson Batista doshttp://lattes.cnpq.br/3711618829552343Matos, Maicon Douglas dos Santos2018-03-22T21:57:58Z2018-03-22T21:57:58Z2018-02-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfMATOS, 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.https://repositorio.ufu.br/handle/123456789/20950http://dx.doi.org/10.14393/ufu.di.2018.199porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFUinstname:Universidade Federal de Uberlândia (UFU)instacron:UFU2020-01-29T16:37:40Zoai:repositorio.ufu.br:123456789/20950Repositório InstitucionalONGhttp://repositorio.ufu.br/oai/requestdiinf@dirbi.ufu.bropendoar:2020-01-29T16:37:40Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)false |
| dc.title.none.fl_str_mv |
Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-Linear Application of Genetic Algorithms for the Mining of Rules IF-THEN in Datasets with Non-Linear Distribution |
| title |
Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-Linear |
| spellingShingle |
Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-Linear Matos, Maicon Douglas dos Santos 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 CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| title_short |
Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-Linear |
| title_full |
Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-Linear |
| title_fullStr |
Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-Linear |
| title_full_unstemmed |
Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-Linear |
| title_sort |
Aplicação de algoritmos genéticos para a mineração de regras SE-ENTÃO em conjuntos de dados com distribuição Não-Linear |
| author |
Matos, Maicon Douglas dos Santos |
| author_facet |
Matos, Maicon Douglas dos Santos |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Amaral, Laurence Rodrigues do http://lattes.cnpq.br/6978567037098928 Gabriel, Paulo Henrique Ribeiro http://lattes.cnpq.br/3181954061121790 Santos, Edimilson Batista dos http://lattes.cnpq.br/3711618829552343 |
| dc.contributor.author.fl_str_mv |
Matos, Maicon Douglas dos Santos |
| dc.subject.por.fl_str_mv |
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 CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| topic |
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 CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| description |
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. |
| publishDate |
2018 |
| dc.date.none.fl_str_mv |
2018-03-22T21:57:58Z 2018-03-22T21:57:58Z 2018-02-09 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
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. https://repositorio.ufu.br/handle/123456789/20950 http://dx.doi.org/10.14393/ufu.di.2018.199 |
| identifier_str_mv |
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. |
| url |
https://repositorio.ufu.br/handle/123456789/20950 http://dx.doi.org/10.14393/ufu.di.2018.199 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidade Federal de Uberlândia Brasil Programa de Pós-graduação em Ciência da Computação |
| publisher.none.fl_str_mv |
Universidade Federal de Uberlândia Brasil Programa de Pós-graduação em Ciência da Computação |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFU instname:Universidade Federal de Uberlândia (UFU) instacron:UFU |
| instname_str |
Universidade Federal de Uberlândia (UFU) |
| instacron_str |
UFU |
| institution |
UFU |
| reponame_str |
Repositório Institucional da UFU |
| collection |
Repositório Institucional da UFU |
| repository.name.fl_str_mv |
Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU) |
| repository.mail.fl_str_mv |
diinf@dirbi.ufu.br |
| _version_ |
1827843548935880704 |