Conteúdo relacionado
- Um meta-learner para indução de árvores-modelo por meio de Programação Genética
- Projeto automático de algoritmos de indução de árvores de decisão
- Programação genética para evolução de algoritmos de indução de árvores de decisão
- Aprendizado semi-supervisionado multi-visao
- Estudo e aplicação de técnicas de programação concorrente para otimização do Web S...
- Identificação de diferentes alternativas para os blocos de construção do algoritmo...
- Uma abordagem baseada em Meta-Aprendizado aplicada à tarefa de agrupamento de dados
Um meta-learner para indução de árvores-modelo por meio de Programação Genética
| Beneficiário: | Rodrigo Coelho Barros |
| Instituição: | Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos, SP, Brasil |
| Pesquisador responsável: | André Carlos Ponce de Leon Ferreira de Carvalho |
| Área do conhecimento: | Ciências Exatas e da Terra - Ciência da Computação |
| Linha de fomento: | Bolsas no Brasil - Doutorado |
| Processo: | 09/14325-3 |
| Vigência: | 01 de março de 2010 - 31 de julho de 2012 |
| Bolsa(s) vinculada(s): | 11/21319-0 - Projeto automático de algoritmos de indução de árvores de decisão, BE.EP |
| Assunto(s): | Bolsas no Brasil - Doutorado |
Resumo
Árvores-modelo são um caso particular de árvores de decisão para a solução de problemas de regressão. Tal técnica tem como vantagem apresentar um resultado interpretável com um nível aceitável de desempenho preditivo. Algoritmos tradicionais para indução de árvores-modelo se utilizam da estratégia gulosa como heurística de solução, tendo em vista que a geração da árvore ótima é um problema NP-Completo. Tal heurística pode não convergir para a solução ótima, ou quase-ótima. A utilização de algoritmos evolutivos (AEs) para indução de árvores-modelo é um assunto pouco explorado na comunidade científica, e foi o foco da dissertação de mestrado do candidato, como forma de se buscar soluções que se aproximem do ótimo global. A evolução de árvores-modelo através de um algoritmo genético (AG) apresentou resultados promissores, embora com dificuldades intrínsecas à técnica de AEs utilizada. Propõe-se, no contexto desse projeto de doutoramento, a utilização de outra classe de AEs, a programação genética, para evolução de algoritmos capazes de induzir árvores-modelo. Tal algoritmo será classificado como um meta-learner, pois é utilizado para o aprendizado de algoritmos de aprendizagem. Dentre as vantagens de se desenvolver um meta-learner para árvores-modelo estão: (i) possibilidade de utilização do algoritmo gerado pelo meta-learner em diversas aplicações de regressão, uma vez que as árvores geradas por tal algoritmo não estariam mais especificamente ligadas a uma única base de dados, como é o caso de se induzir árvores através de um AG; e (ii) evita-se o bias (tendenciosidade) que qualquer algoritmo desenvolvido por seres-humanos naturalmente apresenta. (AU)
Árvores-modelo são um caso particular de árvores de decisão para a solução de problemas de regressão. Tal técnica tem como vantagem apresentar um resultado interpretável com um nível aceitável de desempenho preditivo. Algoritmos tradicionais para indução de árvores-modelo se utilizam da estratégia gulosa como heurística de solução, tendo em vista que a geração da árvore ótima é um problema NP-Completo. Tal heurística pode não convergir para a solução ótima, ou quase-ótima. A utilização de algoritmos evolutivos (AEs) para indução de árvores-modelo é um assunto pouco explorado na comunidade científica, e foi o foco da dissertação de mestrado do candidato, como forma de se buscar soluções que se aproximem do ótimo global. A evolução de árvores-modelo através de um algoritmo genético (AG) apresentou resultados promissores, embora com dificuldades intrínsecas à técnica de AEs utilizada. Propõe-se, no contexto desse projeto de doutoramento, a utilização de outra classe de AEs, a programação genética, para evolução de algoritmos capazes de induzir árvores-modelo. Tal algoritmo será classificado como um meta-learner, pois é utilizado para o aprendizado de algoritmos de aprendizagem. Dentre as vantagens de se desenvolver um meta-learner para árvores-modelo estão: (i) possibilidade de utilização do algoritmo gerado pelo meta-learner em diversas aplicações de regressão, uma vez que as árvores geradas por tal algoritmo não estariam mais especificamente ligadas a uma única base de dados, como é o caso de se induzir árvores através de um AG; e (ii) evita-se o bias (tendenciosidade) que qualquer algoritmo desenvolvido por seres-humanos naturalmente apresenta. (AU)
Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa
Programa de computador mimetiza evolução humana
Programa de computador mimetiza evolução humana
CDi/FAPESP - Centro de Documentação e Informação da Fundação de Amparo à Pesquisa do Estado de São Paulo
R. Pio XI, 1500 - Alto da Lapa - CEP 05468-901 - São Paulo/SP - Brasil
cdi@fapesp.br - Converse com a FAPESP
R. Pio XI, 1500 - Alto da Lapa - CEP 05468-901 - São Paulo/SP - Brasil
cdi@fapesp.br - Converse com a FAPESP