Algoritmos genéticos e de aprendizado de máquina na otimização em problemas de classificação
Palavras-chave:
Algoritmo Genético Elitista, K-Nearest Neighbors KNN, Floresta AleatóriaResumo
Existem diversos tipos de algoritmos de otimização, bem como algoritmos de classificação. Dentre tais algoritmos, o Algoritmo Genético Elitista é um representante dos algoritmos de otimização, enquanto o KNN, a Árvore de Classificação e a Floresta Aleatória são representantes dos algoritmos de classificação. O objetivo desse trabalho é mostrar, através de uma aplicação, como é possível usar essas duas classes de algoritmos em conjunto para não apenas otimizar o número de acertos de classificação, mas também para reduzir a dimensão do problema. A situação utilizada é a classificação de cooperativas de crédito brasileiras usando o texto de seus estatutos. O banco de palavras utilizado constava de 8.293 palavras que ao longo do processo foi reduzido para 1.037 palavras com proporção de acertos de classificação foi maior 81\% usando o KNN e de 1.936 e com proporção de acertos maior que 82\% usando a Floresta Aleatória.
Referências
ACOSTA-GONZ ́aLEZ, E.; FERN ́aNDEZ-RODR ́ıGUEZ, F. Model selection via genetic
algorithms illustrated with cross-country growth data. Empirical Economics, n. 33, p. 313–337,
BOUCHARD, M.J.; ROUSSELI`eRE, D.; GUERNIC, M. Le. Conceptual Framework for the
purpose of Measurement of Cooperatives and its Operationalization. [S.l.], 2017. Dispon ́ıvel em:
BOUCHARD, M. J. et al. Statistics on cooperatives: concepts, classification, work and
economic contribution measurement. ILO, CIRIEC, COPAC: Geneva, Switzerland, 2020.
CAMPOS, V.S.M.; PEREIRA, A.G.C.; CRUZ, J.A. Rojas. Modeling the genetic algorithm by
a non-homogeneous markov chain: Weak and strong ergodicity. Theory of Probability and its
Applications, v. 57, p. 185–192, 2012.
EUM, H.; CARINI, C.; BOUCHARD, M. J. Classification of cooperatives. a proposed
typology. Statistics on cooperatives: Concepts, classification, work and economic contribution
measurement, p. 13–22, 2020.
HOLLAND, J.H. Adaptation in natural and artificial systems. [S.l.]: Ann Arbor: The
University of Michigan Press, 1975.
JAMES, G. et al. An introduction to statistical learning with R applications. [S.l.]: Springer,
KASAMBARA, A. Machine Learning Essentials : Practical Guide in R. [S.l.]: Published by
STHDA, 2017, 2017.
KI-MOON, B. Organiza ̧c ̃ao das Na ̧c ̃oes Unidas (ONU), Secret ́ario Geral (2007-2017: Ban
Ki-Moon). Mensagem do Secret ́ario Geral por ocasi ̃ao da celebra ̧c ̃ao do Dia Mundial da
Alimenta ̧c ̃ao. 16 out 2012. 2012. Online. Acessado em 19/02/2024, ⟨https://shorturl.at/qruI7⟩.
LACERDA, E. G.; CARVALHO, A. C.; LUDERMIR, T. B. Model selection via genetic
algorithms for rbf networks. Journal of Intelligent & Fuzzy Systems, IOS Press, v. 13, p.
–122, 2002.
LANTZ, B. Machine Learning with R : Expert techniques for predictive modeling. [S.l.]: Packt,
Birmingham, 2019.
LOPES, L. P. Predi ̧c ̃ao do pre ̧co do caf ́e naturais brasileiro por meio de modelos de statistical
machine learning. Sigmae, Alfenas, v. 7, p. 1–16, 2018.
OCB. Ramos do Cooperativismo - conhe ̧ca nossa nova organiza ̧c ̃ao. Bras ́ılia,. [S.l.], 2019.
Acessado em 19/02/2024, ⟨https://shorturl.at/cDZ19⟩.
PATERLINI, S.; MINERVA, T. Regression model selection using genetic algorithms. In:
Proceedings of the 11th WSEAS international conference on nural networks and 11th WSEAS
international conference on evolutionary computing and 11th WSEAS international conference
on Fuzzy systems. World Scientific and Engineering Academy and Society (WSEAS). [S.l.:
s.n.], 2010. p. 19–27.
PEREIRA, A. G. C.; ANDRADE, B.B. On the genetic algorithm with adaptive mutation rate
and selected statistical applications. Computational Statistics (Zeitschrift), v. 30, p. 131–150,
PEREIRA, A. G. C. et al. Convergence analysis of an elitist non-homogeneous genetic
algorithm with crossover/mutation probabilities adjusted by a fuzzy controller. Chilean
Journal of Statistics, v. 9, p. 19–32, 2018.
. On the convergence rate of the elitist genetic algorithm based on mutation probability.
Communications in Statistics - Theory and Methods, v. 49, p. 769–780, 2019.
RUDOLPH, G. Convergence analysis of canonical genetic algorithms. IEEE Transactions on
Neural Networks, v. 5, p. 96–101, 1994.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Proposta de Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
