[pt] Hoje em dia, grande parte do conhecimento acumulado está armazenado
em forma de dados. Para muitos problemas de classificação,
tenta-se aprender a relação entre um conjunto de variáveis (atributos) e
uma variável alvo de interesse. Dentre as ferramentas capazes de atuar como
modelos representativos de sistemas reais, os Sistemas de Inferência Fuzzy
são considerados excelentes com respeito à representação do conhecimento
de forma compreensível, por serem baseados em regras linguísticas. Este
quesito de interpretabilidade linguística é relevante em várias aplicações em
que não se deseja apenas um modelo do tipo caixa preta, que, por mais
precisão que proporcione, não fornece uma explicação de como os resultados
são obtidos. Esta dissertação aborda o desenvolvimento de um Sistema
de Inferência Fuzzy de forma automática, buscando uma base de regras que
valorize a interpretabilidade linguística e que, ao mesmo tempo, forneça uma
boa acurácia. Para tanto, é proposto o modelo AutoFIS-Class, um método
automático para a geração de Sistemas de Inferência Fuzzy para problemas
de classificação. As características do modelo são: (i) geração de premissas
que garantam critérios mínimos de qualidade, (ii) associação de cada premissa
a um termo consequente mais compatível e (iii) agregação de regras
de uma mesma classe por meio de operadores que ponderem a influência
de cada regra. O modelo proposto é avaliado em 45 bases de dados benchmark
e seus resultados são comparados com modelos da literatura baseados
em Algoritmos Evolucionários. Os resultados comprovam que o Sistema de
Inferência gerado é competitivo, apresentando uma boa acurácia com um
baixo número de regras. / [en] Nowadays, much of the accumulated knowledge is stored as data. In
many classification problems the relationship between a set of variables
(attributes) and a target variable of interest must be learned. Among
the tools capable of modeling real systems, Fuzzy Inference Systems are
considered excellent with respect to the knowledge representation in a
comprehensible way, as they are based on inference rules. This is relevant
in applications where a black box model does not suffice. This model
may attain good accuracy, but does not explain how results are obtained.
This dissertation presents the development of a Fuzzy Inference System
in an automatic manner, where the rule base should favour linguistic
interpretability and at the same time provide good accuracy. In this sense,
this work proposes the AutoFIS-Class model, an automatic method for
generating Fuzzy Inference Systems for classification problems. Its main
features are: (i) generation of premises to ensure minimum, quality criteria,
(ii) association of each rule premise to the most compatible consequent
term; and (iii) aggregation of rules for each class through operator that
weigh the relevance of each rule. The proposed model was evaluated for
45 datasets and their results were compared to existing models based on
Evolutionary Algorithms. Results show that the proposed Fuzzy Inference
System is competitive, presenting good accuracy with a low number of rules.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:27007 |
| Date | 25 July 2016 |
| Creators | JORGE SALVADOR PAREDES MERINO |
| Contributors | RICARDO TANSCHEIT |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0072 seconds