Aplicação de Algoritmos Genéticos para o Problema de Seleção de Atributos em Classificação Hierárquica
Iniciação CientíficaObjetivo
Investigar um novo método de seleção de atributos em estruturas hierárquicas, que combina a meta-heurística do Algoritmo Genético (AG) com Redes Neurais Artificiais (RNA) aplicadas a estruturas hierárquicas, como árvores ou grafos direcionados acíclicos. Em síntese, considerando uma árvore em que os nós representam as classes e as arestas indicam os relacionamentos entre elas, o objetivo principal é reduzir a quantidade de nós, sem comprometer, ou até mesmo melhorar, a qualidade da estrutura hierárquica.
Metodologia
- Revisão Teórica: Realizamos uma análise da literatura existente sobre o tema, abordando conceitos fundamentais, como o Global Model Naive Bayes (GMNB).
- Revisão de Artigos Científicos: Investigamos artigos acadêmicos relevantes para identificar novos métodos da literatura
- Software de Simulação: Foi criado um software em linguagem de programação para a avaliação de desempenho e a visualização dos resultados.
Desenvolvimento
Neste trabalho, utilizamos uma abordagem híbrida combinando algoritmos genéticos e modelos de aprendizado de máquina.
A partir da teoria evolutiva, os AG são aplicados para otimização, simulando a seleção natural para escolher as melhores soluções.
As RNN são integradas para reconhecimento de padrões complexos, enquanto o Modelo Global Naive Bayes (GMNB) é utilizado para melhorar a classificação hierárquica.
Dois algoritmos foram desenvolvidos: GAwNN, que combina AG com RNN, e GAwNB, que utiliza AG com o GMNB.
Resultados
Foi possível preservar a qualidade da hierarquia e, em algumas situações, até aprimorar sua eficácia ao reduzir o número de atributos, em ambos os algoritmos propostos. Através de análises estáticas, conseguimos não apenas manter a integridade da hierarquia, mas também melhorar sua qualidade ao diminuir a quantidade de atributos presentes.
Ambos os algoritmos propostos foram eficazes na redução do número de atributos em todos os conjuntos de dados, alcançando resultados superiores aos obtidos com o conjunto completo de atributos e em compações com algoritmos na literatura. Com isso, buscamos abrir caminhos novos classificadores da literatura utilizar nosso método, especialmente em aplicações biológicas.
