Esta dissertação apresenta um sistema de indução de classificadores fuzzy. Ao invés
de utilizar a abordagem tradicional de sistemas fuzzy baseados em regras, foi utilizado o
modelo de Árvore de Padrões Fuzzy(APF), que é um modelo hierárquico, com uma estrutura
baseada em árvores que possuem como nós internos operadores lógicos fuzzy e as folhas são
compostas pela associação de termos fuzzy com os atributos de entrada. O classificador foi
obtido sintetizando uma árvore para cada classe, esta árvore será uma descrição lógica da
classe o que permite analisar e interpretar como é feita a classificação. O método de
aprendizado originalmente concebido para a APF foi substituído pela Programação Genética
Cartesiana com o intuito de explorar melhor o espaço de busca. O classificador APF foi
comparado com as Máquinas de Vetores de Suporte, K-Vizinhos mais próximos, florestas
aleatórias e outros métodos Fuzzy-Genéticos em diversas bases de dados do UCI Machine
Learning Repository e observou-se que o classificador APF apresenta resultados
competitivos. Ele também foi comparado com o método de aprendizado original e obteve
resultados comparáveis com árvores mais compactas e com um menor número de avaliações. / This work presents a system for induction of fuzzy classifiers. Instead of the
traditional fuzzy based rules, it was used a model called Fuzzy Pattern Trees (FPT), which is a
hierarchical tree-based model, having as internal nodes, fuzzy logical operators and the leaves
are composed of a combination of fuzzy terms with the input attributes. The classifier was
obtained by creating a tree for each class, this tree will be a logic class description which
allows the interpretation of the results. The learning method originally designed for FPT was
replaced by Cartesian Genetic Programming in order to provide a better exploration of the
search space. The FPT classifier was compared against Support Vector Machines, K Nearest
Neighbour, Random Forests and others Fuzzy-Genetics methods on several datasets from the
UCI Machine Learning Repository and it presented competitive results. It was also compared
with Fuzzy Pattern trees generated by the former learning method and presented comparable
results with smaller trees and a lower number of functions evaluations.
| Identifer | oai:union.ndltd.org:IBICT/urn:repox.ist.utl.pt:UERJ:oai:www.bdtd.uerj.br:5397 |
| Date | 30 July 2014 |
| Creators | Anderson Rodrigues dos Santos |
| Contributors | Jorge Luís Machado do Amaral, Marley Maria Bernardes Rebuzzi Vellasco, André Vargas Abs da Cruz |
| Publisher | Universidade do Estado do Rio de Janeiro, Programa de Pós-Graduação em Engenharia Eletrônica, UERJ, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UERJ, instname:Universidade do Estado do Rio de Janeiro, instacron:UERJ |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0027 seconds