Programação genética para evolução de algoritmos de indução de árvores de decisão

• Processo: 10/20255-5
• Modalidade de apoio: Auxílio à Pesquisa - Jovens Pesquisadores
• Data de Início da vigência: 01 de setembro de 2011
• Data de Término da vigência: 31 de agosto de 2015
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Márcio Porto Basgalupp
• Beneficiário: Márcio Porto Basgalupp
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil
• Pesquisadores associados: Alex Alves Freitas ; André Carlos Ponce de Leon Ferreira de Carvalho ; Marcos Gonçalves Quiles ; Rodrigo Coelho Barros ; Vili Podgorelec
• Auxílio(s) vinculado(s): 15/05218-0 - Construção automática de algoritmos de indução de árvores de decisão com híper-heurística multi-objetiva usando a abordagem de Pareto, AV.EXT
• Bolsa(s) vinculada(s): 15/13245-7 - Incorporando árvores de decisão com múltiplos testes no algoritmo HEAD-DT, BE.PQ; 14/21737-4 - Identificação de diferentes alternativas para os blocos de construção do algoritmo de programação genética para evoluir algoritmos de indução de árvores de decisão, BP.IC; 11/20175-4 - Identificação de diferentes alternativas para os blocos de construção do algoritmo de programação genética para evoluir algoritmos de indução de árvores de decisão, BP.IC
• Assunto(s): Inteligência artificial Aprendizado computacional Programação genética Mineração de dados
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Árvores de Decisão | meta-learning | Programação Genética | Computação Evolutiva

Resumo

Árvores de Decisão constituem uma técnica poderosa e amplamente utilizada em tarefas de mineração de dados. Geralmente, algoritmos de indução de árvores de decisão usam uma estratégia gulosa, top down e com particionamento recursivo para a construção das árvores. No entanto, há pelo menos dois problemas relacionados a essas características: (i) estratégias gulosas geralmente produzem soluções ótimas locais ao invés de globais, (ii) particionamento recursivo degrada iterativamente a qualidade do dataset e, consequentemente, a qualidade dos resultados obtidos. Para lidar com essas dificuldades, diferentes abordagens foram sugeridas, tais como Options Trees, ensembles (ex: boosting e bagging), e algoritmos evolutivos. No entanto, tais algoritmos evolutivos são usados para evoluir árvores de decisão específicas para cada problema de classificação, e não para evoluir algoritmos genéricos para indução de árvores de decisão para qualquer problema de classificação. Uma das subáreas de algoritmos evolutivos, a Programação Genética (PG) é uma ferramenta adequada para evoluir programas de computadores. Um programa evoluído por Programação Genética pode produzir a mesma solução desenvolvida por um humano para solucionar um problema, mas também pode produzir algo completamente diferente e talvez melhor. Nesse contexto, o objetivo deste projeto é estudar programação genética com o intuito de utilizá-la para evoluir algoritmos de indução de árvores de decisão. A ideia é evoluir algoritmos genéricos para indução de árvores de decisão, ou seja, o resultado final da PG será um algoritmo de indução árvores de decisão, e não apenas uma árvore de decisão. Nesse sentido, pode-se considerar um algoritmo de meta-learning, pois o objetivo é aprender um algoritmo de aprendizagem. (AU)