Otimização por nuvem de partículas multiobjetivo no aprendizado indutivo de regras

Abstract

Resumo: A área da Mineraçãoo de Dados (MD), ou Data Mining, consiste em analisar uma grande quantidade de dados buscando-se identificar associações e relações entre os dados que não são conhecidas a priori. Nesta área há uma necessidade por novas ferramentas e técnicas com a habilidade de ajudar software de forma inteligente na análise de grandes massas de dados. Neste sentido, algoritmos de Aprendizado de Máquina são as técnicas mais indicadas para estas aplicações. Para a representação do conhecimento extraído, regras são as formas mais utilizadas atualmente, devido a seu caráter intuitivo e simplicidade. O Aprendizado de Regras é uma técnica de Aprendizado de Máquina que têm o objetivo de produzir um conjunto de regras a partir de um conjunto de dados de entrada, que representam o conhecimento extraído. Além disso, o modelo gerado pode ser usado como um classificador. Este trabalho tem como objetivo o desenvolvimento de um algoritmo para o problema do Aprendizado de Regras no contexto da Mineração de Dados. Para isto, a técnica escolhida e a metaheurística Otimização por Nuvem de Partículas Multiobjetivo. Esta metaheurística é pouco explorada no Aprendizado de Regras e possui alguns problemas ainda sem solução. Assim, além do desenvolvimento do algoritmo, são propostas algumas soluções de problemas que surgem na aplicação da técnica MOPSO no Aprendizado de Regra. Neste trabalho, busca-se também produzir um bom classificador em termo da área abaixo da curva ROC, AUC. Para a validação do algoritmo e suas extensões é proposto um conjunto de experimentos, que comparam a técnica MOPSO com alguns algoritmos conhecidos da literatura. Por fim, o algoritmo é aplicado num estudo de caso do contexto da predição de defeitos em softwares.