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

• Processo: 09/14325-3
• Linha de fomento: Bolsas no Brasil - Doutorado
• Vigência (Início): 01 de março de 2010
• Vigência (Término): 31 de dezembro de 2013
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Rodrigo Coelho Barros
• Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 11/21319-0 - Projeto automático de algoritmos de indução de árvores de decisão, BE.EP.DR

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)

Publicações científicas

(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)

BARROS, RODRIGO C.; BASGALUPP, MARCIO P.; DE CARVALHO, ANDRE C. P. L. F. Investigating fitness functions for a hyper-heuristic evolutionary algorithm in the context of balanced and imbalanced data classification. Genetic Programming and Evolvable Machines, v. 16, n. 3, p. 241-281, SEP 2015. Citações Web of Science: 1.

BARROS, RODRIGO C.; BASGALUPP, MARCIO P.; FREITAS, ALEX A.; DE CARVALHO, ANDRE C. P. L. F. Evolutionary Design of Decision-Tree Algorithms Tailored to Microarray Gene Expression Data Sets. IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, v. 18, n. 6, p. 873-892, DEC 2014. Citações Web of Science: 18.

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

BARROS, Rodrigo Coelho. Sobre o projeto automático de algoritmos de indução de árvores de decisão. 2013. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação São Carlos.