Return to search

CSCDR : um classificador baseado em seleção clonal com redução de células de memória

O sistema imunológico dos vertebrados é extremamente complexo, sendo responsável por proteger o organismo contra agentes causadores de doenças. Para funcionar apropriadamente, é necessário que seus componentes reconheçam de forma eficaz os elementos patógenos, a fim de neutralizá-los, e também os elementos do próprio organismo, de forma a não reagirem a estes. Estas e outras características são similares àquelas exigidas em soluções para problemas de engenharia e computação. Desta forma, os sistemas imunológicos artificiais utilizam a contraparte biológica como metáfora para o desenvolvimento de diversas ferramentas computacionais utilizadas nas mais diversas tarefas. Esta dissertação utiliza os conceitos apresentados pelos sistemas imunológicos artificiais para o desenvolvimento de um novo algoritmo de aprendizado supervisionado, baseado principalmente no mecanismo de seleção clonal. O método proposto neste trabalho, denominado clonal selection classifier with data reduction (CSCDR), utiliza uma função de aptidão com base no número de classificações corretas e incorretas apresentadas por cada anticorpo. O algoritmo tenta maximizar este valor através do processo de seleção clonal, envolvendo mutação, maturação de afinidade e seleção dos melhores indivíduos, transformando a fase de treinamento em um problema de otimização. Isto leva a anticorpos com maior representatividade e, portanto, diminui a quantidade de protótipos gerados ao final do algoritmo. Experimentos em bases de dados sintéticas e bases de dados de problemas reais, utilizadas como benchmark para problemas de aprendizagem de máquina, demonstram a eficácia do algoritmo CSCDR como técnica de classificação. Quando comparado a outros classificadores conhecidos da literatura, o CSCDR apresenta desempenho similar e, quando comparado a algoritmos baseados em instâncias, o mesmo utiliza menores quantidades de protótipos para representar os dados, mantendo o desempenho. / The vertebrate immune system is an extremely complex system, being responsible for protecting the body against disease causing agents. To function properly, it is necessary its components effectively recognize the pathogens in order to neutralize them, and also elements of the body itself, so as not to react to these. These and other features are similar to those required solutions to problems in engineering and computing. Thus, artificial immune systems use biological counterpart as a metaphor for development of several computational tools used in various tasks. This dissertation uses the concepts presented by the artificial immune systems to develop a new supervised learning algorithm, based mainly on the mechanism of clonal selection. The method proposed in this work, named clonal selection classifier with data reduction (CSCDR), uses a fitness function based on the number of correct and incorrect classifications made by each antibody. The algorithm tries to maximize this value through the clonal selection process, involving mutation, affinity maturation and selection of the best individuals, turning the training phase in an optimization problem. This leads to more representative antibodies and therefore decreases the amount of prototypes generated at the end of the algorithm. Experiments on synthetic databases and real problem databases, used as benchmark to machine learning problems, demonstrate the effectiveness of the CSCDR algorithm as a classification technique. When compared to other well known classifiers in literature, CSCDR shows similar performance and when compared to instance based algorithms, CSCDR utilizes a smaller amount of prototypes to represent the data maintaining the same performance.

Identiferoai:union.ndltd.org:IBICT/oai:lume56.ufrgs.br:10183/56853
Date January 2012
CreatorsOliveira, Luiz Otávio Vilas Bôas
ContributorsBarone, Dante Augusto Couto, Drummond, Isabela Neves
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da UFRGS, instname:Universidade Federal do Rio Grande do Sul, instacron:UFRGS
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0027 seconds