Construção automática de algoritmos de indução de árvores de decisão com híper-heurística multi-objetiva usando a abordagem de Pareto

• Processo: 15/05218-0
• Modalidade de apoio: Auxílio à Pesquisa - Pesquisador Visitante - Internacional
• Data de Início da vigência: 16 de julho de 2015
• Data de Término da vigência: 15 de agosto de 2015
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Márcio Porto Basgalupp
• Beneficiário: Márcio Porto Basgalupp
• Pesquisador visitante: Vili Podgorelec
• Instituição do Pesquisador Visitante: University of Maribor (UM) , Eslovênia
• 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
• Município da Instituição Sede: São José dos Campos
• Vinculado ao auxílio: 10/20255-5 - Programação genética para evolução de algoritmos de indução de árvores de decisão, AP.JP
• Assunto(s): Aprendizado computacional Algoritmos evolutivos Hiper-heurística Intercâmbio de pesquisadores
• Palavra(s)-Chave do Pesquisador: Algoritmos Evolutivos | Aprendizado de Máquina | híper-heurísticas | Algoritmos Evolutivos

Resumo

O objetivo da proposta de colaboração de pesquisa é projetar, desenvolver e avaliar uma versão estendida de um algoritmo de indução de árvore de decisão com uma híper-heurística multi-objetiva usando abordagem de dominância de Pareto. Os resultados prévios já mostraram as vantagens de evoluir algoritmos de indução de árvores de decisão com uma híper-heurística considerando somente o desempenho de classificação. No entanto, a acurácia e outras medidas de desempenho de classificadores não são os únicos indicadores de qualidade das árvores geradas. Uma vantagem muito importante das árvores de decisão é a transparência das decisões tomadas pelo modelo, cuja interpretabilidade é semelhate ao pensamento humano. Isso tem sido mostrado em diversas aplicações do mundo real, em que a validação dos resultados de classificação é tão importante como a classificação por si só (em Medicina, por exemplo), que a simplicidade de uma árvore não deveria ser comprometida às custas da acurácia. Ambos os objetivos (acurácia e complexidade das árvores de decisão), no entanto, são geralmente conflitantes. Para solucionar este problema, é proposto o uso de uma abordagem de otimização multi-objetiva apropriadamente projetada e implementada. (AU)