Comparação entre Redes Neurais Artificiais e Rough Sets para Classificação de Dados

Abstract

Sometimes the data bases are grounds to the aplication of Artificial Intelligence (AI) IntroduçãoA disposição dos dados em uma base de dados não deve possuir redundância, pois isso além de aumentar a complexidade computacional, oblitera os dados, de tal sorte que a extração de regras de produção torna-se uma tarefa penosa em que se desperdiça tempo e recurso computacional. Neste contexto, surge a Teoria de Rough Sets (TRS) que trata esta redundância, diminuindo a quantidade de dados não relevantes à resolução dos problemas. É importante ressaltar que a TRS depois de descartar tais dados, possui a propriedade de criar regras que serão utilizadas como mecanismos de inferências, desta forma enquadrando a TRS como um ramo da Inteligência Artificial Simbólica.A Inteligência Artificial Conexionista é sustentada pelas Redes Neurais Artificiais (RNAs), que são amplamente difundidas nos estudos de sistemas especialistas, além de estarem se mostrando como eficientes ferramentas para a classificação de dados no processo de Data Mining [1]. As RNAs aprendem por exemplos, os quais podem ser tuplas de uma base de dados e desde que os exemplos tenham sido bem escolhidos, mostram-se poderosas ferramentas de interpolação, isto é, do mesmo modo que uma máquina de inferência, as RNAs também podem classificar diferentes padrões através da interpolação entre os exemplos apresentados na base de dados.Este artigo irá inicialmente introduzir a utilização da IA em problemas de classificação de dados, para em seguida descrever brevemente as principais características da Teoria de Rough Sets, então explanar a base de dados em questão, e finalmente apresentar a metodologia envolvida nas implementações e comentar os resultados obtidos como efeito de comparação. Classificação de DadosNo processo de Data Mining, a etapa de classificação de dados tem como objetivo classificar atributos comuns de uma base de dados em diferentes classes, sendo o modelo capaz de predizer em que classes se enquadram novos exemplos que apresentarse-ão à base de dados. A classificação de dados vem sendo bastante difundida no que tange as áreas da estatística e de aprendizado de máquina.[2], [3] e [4]. Uma aplicação bastante usual e adequada da classificação de dados é sua utilização em problemas de diagnóstico médico, onde a base de dados consta de variados sintomas (atributos) que serão analisados por um algoritmo de Data Mining com fins de levantar um diagnóstico [5] e [6].As Redes Neurais Artificiais são uma maneira prática para realizar a classificação de dados, pois os métodos baseados nas RNAs suportam diferentes funções de aprendizado que podem ser representadas por atributos contínuos, discretos ou mesmo vetoriais [7].Convém ressaltar que as RNAs por vezes são consideradas alternativas não tão viáveis para processos de Data Mining em base de dados muito extensas, visto que depois de treinadas as RNAs tornam-se geralmente de difícil compreensão e também pelo fato de que muito dos métodos de treinamento são lentos, principalmente quando são utilizad...

Using MLP Neural Networks to Detect Late Blight in Brazilian Tomato Crops

“…The best classification of their model was found when using 45 different characteristics, reaching a performance of 93.1%. Vieira et al (2011) used an MLP neural network to detect the lesions in tomato leaves. However, his success rate was about 77.8% in the identification of late blight wounds.…”

Propostas metodológicas relacionadas à obtenção de velocidades e propagação de incertezas no processo de compatibilização de época e de referenciais geodésicos

“…O termo krigagem foi cunhado pela escola francesa de geoestatística, em homenagem ao engenheiro de minas sul-africano e pioneiro na aplicação de técnicas estatísticas em SegundoLandim (2006), uma vez conhecido o semivariograma da variável, e havendo dependência espacial entre as amostras, é possível interpolar valores em qualquer posição, sem tendência e com variância mínima, utilizando a krigagem. Este método fornece, além dos valores estimados, a precisão associada a tal estimação, o que o distingue dos demais algoritmos à disposição(VILELA, 2004).Após a confecção dos semivariogramas dos valores experimentais, é necessário ajustar um modelo matemático (semivariograma teórico) que represente o mais próximo possível a configuração dos mesmos. Existem várias funções que se ajustam aos semivariogramas experimentais, porém, alguns modelos têm satisfeito a maioria das suas aplicações, quais sejam: esférico, exponencial, gaussiano e linear(STURARO, 2015; VIEIRA, 2000).…”