SELEÇÃO DE INSTÂNCIAS DE GRANDES BASES DE DADOS USANDO ALGORITMOS EVOLUTIVOS MULTIOBJETIVO

Os Sistemas Baseados em Regras Fuzzy (SBRF) tem sido amplamente usados para a resolucao de diversos tipos de problemas, tais como, controle (Leephakpreeda, 2011), modelagem (Pedrycz, 1996), classificacao (Ishibuci, 1995). A maneira mais comum para a aquisicao do conhecimento de um SBRF e a partir de dados numericos, os quais representam amostras ou exemplos do problema. As formas mais bem-sucedidas de extracao automatica de conhecimento a partir de dados para a construcao de SFBR sao as que combinam metodologias para aprendizado de maquina com conceitos de sistemas fuzzy. Entre elas, destacam-se as Redes Neurais Artificiais e a Computacao Evolutiva (Cordon et al, 2001). Os Algoritmos Geneticos Multiobjetivo (AGMO), vem demonstrando ser uma poderosa ferramenta para a construcao automatica (ou projeto automatico) de SBRF. No entanto, este processo e fortemente influenciado pela quantidade de instâncias e caracteristicas presentes nas bases de dados, que afetam o tamanho do espaco de busca e o tempo computacional. Por isso, a reducao de dados e de fundamental importância para reduzir o tempo de aprendizado do SBRF e amenizar as dificuldades durante o processo de convergencia dos algoritmos evolutivos. A reducao de dados, neste caso, a selecao de instâncias, e um problema multiobjetivo, pois busca-se reduzir a base de dados, e ao mesmo tempo, manter o desempenho do classificador estavel ou superior, quando comparado com a base de dados original. Portanto, este trabalho possui o objetivo de investigar a aplicacao de Algoritmos Geneticos Multiobjetivo para a selecao de instâncias de grandes bases de dados.