Hiper-heurísticas multi-objetivas para construção automática de algoritmos de indução de árvores de decisão com múltiplos testes

• Processo: 16/02870-0
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de junho de 2016
• Data de Término da vigência: 31 de julho de 2018
• 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
• 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 ; Rodrigo Coelho Barros
• Assunto(s): Algoritmos evolutivos
• Palavra(s)-Chave do Pesquisador: Algoritmos Evolutivos | Árvores de Decisão | híper-heurísticas | Aprendizado de Máquina e Computação Evolutiva

Resumo

Árvores de Decisão constituem uma técnica poderosa e amplamente utilizada em tarefas de aprendizado de máquina e mineração de dados, principalmente em virtude da facilidade de interpretação do conhecimento adquirido. Em contraste com os algoritmos tradicionais de indução de árvores de decisão - todos manualmente desenvolvidos por humanos - o algoritmo HEAD-DT constitui uma abordagem de hiper-heurística evolutiva para construção automática de algoritmos de indução de árvores de decisão. HEAD-DT trabalha sobre diversos componentes manualmente desenvolvidos para indução de árvores de decisão, combinando os componentes mais adequados para o problema em questão. Recentemente, foi introduzido o conceito de árvores de decisão com múltiplos testes (MTDT, do inglês Multi-Test Decision Trees), uma nova forma de representação de árvores de decisão. Nas MTDT, cada nó da árvore pode ser composto por múltiplos testes univariados, o que pode ser visto como um caso intermediário (em termos de interpretabilidade) entre as árvores de decisão univariadas e as árvores de decisão multivariadas. Em relação aos algoritmos tradicionais de árvores de decisão univariadas, os algoritmos de indução das MTDT possuem certas particularidades. O critério de split é um exemplo claro, em que pode ser conduzido por um mecanismo de votação majoritária em que todos os testes univariados têm a mesma importância. No entanto, diversas outras estratégias podem ser desenvolvidas para realizar essa tarefa. Nesse contexto, o presente projeto propõe estender o algoritmo HEAD-DT em dois principais aspectos: (i) construir automaticamente algoritmos de indução de árvores de decisão com múltiplos testes, e algumas extensões; e (ii) adotar três abordagens multi-objetivas para guiar o processo evolutivo. Embora muitos trabalhos utilizem algoritmos evolutivos para indução de árvores de decisão, o que se propõe aqui é algo totalmente diferente, pois a ideia é evoluir algoritmos genéricos para indução de árvores de decisão de múltiplos testes, ou seja, o resultado final do método será um algoritmo de indução, e não apenas uma árvore de decisão. Isso caracteriza um algoritmo de meta-learning, pois o objetivo é aprender um algoritmo de aprendizagem. (AU)

Publicações científicas

(6)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

FRANCISQUINI, RODRIGO; NASCIMENTO, MARIA C. V.; BASGALUPP, MARCIO P.; IEEE. NGA-LP: A robust and improved genetic algorithm to detect communities in directed networks. 2018 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC), v. N/A, p. 8-pg., 2018-01-01. (16/02870-0, 15/21660-4)

SOUSA, ARUA DE M.; LORENA, ANA C.; BASGALUPP, MARCIO P.; IEEE. GEEK: Grammatical Evolution for automatically Evolving Kernel functions. 2017 16TH IEEE INTERNATIONAL CONFERENCE ON TRUST, SECURITY AND PRIVACY IN COMPUTING AND COMMUNICATIONS / 11TH IEEE INTERNATIONAL CONFERENCE ON BIG DATA SCIENCE AND ENGINEERING / 14TH IEEE INTERNATIONAL CONFERENCE ON EMBEDDED SOFTWARE AND SYSTEMS, v. N/A, p. 8-pg., 2017-01-01. (12/22608-8, 16/02870-0)

CARDOSO, KARLA R.; CINTRA, MARCOS E.; BASGALUPP, MARCIO; IEEE. Extracting Rules for Black Jack Using Machine Learning and Fuzzy Systems. 2018 IEEE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS (FUZZ-IEEE), v. N/A, p. 6-pg., 2018-01-01. (16/02870-0)

MIQUILINI, PATRICIA; ROSSI, RAFAEL G.; QUILES, MARCOS G.; DE MELO, VINICIUS V.; BASGALUPP, MARCIO P.; IEEE. Automatically Design Distance Functions for Graph-based Semi-Supervised Learning. 2017 16TH IEEE INTERNATIONAL CONFERENCE ON TRUST, SECURITY AND PRIVACY IN COMPUTING AND COMMUNICATIONS / 11TH IEEE INTERNATIONAL CONFERENCE ON BIG DATA SCIENCE AND ENGINEERING / 14TH IEEE INTERNATIONAL CONFERENCE ON EMBEDDED SOFTWARE AND SYSTEMS, v. N/A, p. 8-pg., 2017-01-01. (16/00868-9, 16/02870-0)

SANTOS, JEFERSON S.; SAVII, RICARDO M.; IDE, JAIME S.; LI, CHIANG-SHAN R.; QUILES, MARCOS G.; BASGALUPP, MARCIO P.; GERVASI, O; MURGANTE, B; MISRA, S; BORRUSO, G; et al. Classification of Cocaine Dependents from fMRI Data Using Cluster-Based Stratification and Deep Learning. COMPUTATIONAL SCIENCE AND ITS APPLICATIONS - ICCSA 2017, PT I, v. 10404, p. 16-pg., 2017-01-01. (16/16291-2, 16/02870-0)

BASGALUPP, MARCIO; CERRI, RICARDO; SCHIETGAT, LEANDER; TRIGUERO, ISAAC; VENS, CELINE. Beyond global and local multi-target learning. INFORMATION SCIENCES, v. 579, p. 508-524, NOV 2021. (16/02870-0)