GADBMS - um algorítmo genético minerador de dados para base de dados relacionais

Abstract

Resumo: O presente trabalho introduz GADBMS, uma ferramenta de Mineração de Dados para a tarefa de classificação que utiliza um algoritmo genético restrito por listas Tabu para efetuar a busca das regras. Algoritmos genéticos têm diversas vantagens, entre elas: poder trabalhar com dados imprecisos, facilidade de ajustar os parâmetros de acordo com o domínio, possibilidade de paralelização e distribuição da carga de processamento. Apesar do exposto, a tarefa de classificação exige a adoção de alguma estratégia adicional sobre os algoritmos genéticos tradicionais. Algumas dessas estratégias, que têm o objetivo comum de melhorar algoritmos genéticos, habilitando-os a trabalhar com problemas complexos do tipo multiobjetivo-multimodal foram estudadas, especificamente: Busca tabu, Sharing e Evolução Cooperativa. Após este estudo, decidiu-se utilizar um algoritmo genético restrito por listas Tabu. Nesta aproximação as regras pertencentes a qualquer uma das classes podem ser encontradas em apenas uma execução. A ferramenta foi testada em quatro bases de dados e comparada a vinte e três outros algoritmos baseados em regras, obtendo resultados promissores.

Abstract: The present work introduces GADBMS, a Data Mining tool for the classification task which uses a genetic algorithms restricted by Tabu lists to search the rules. Genetic algorithms have several advantages: they can work with imprecise data, they are easily adjusted for different domains of data and possibility of paralelization and loading distribution. Despite the mentioned advantages, the classification task requires some additional strategies to be introduced to the traditional model of genetic algorithms. Some these strategies (which have the common goal to improve genetic algorithms) enable them to work with multiobjective-multimodal complex problems. In this work we studied, specifically: Tabu Search, Sharing and Cooperative Coevolution. After such study, we decided to use a genetic algorithm restricted by Tabu lists. In this approach, rules that belong to any class can be found in one single execution. The tool was tested in four datasets and compared to other twenty-three rule based algorithms, obtaining promising results.