Um meta-learner para indução de árvores-modelo por meio de Programação Genética

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)