Unsupervised Fuzzy eIX: clusterização interna-externa fuzzy evolutiva de fluxos de dados não-estacionários
Modelos classificadores com fronteiras de decisão variantes no tempo, isto é, classificadores evolutivos, desempenham um papel importante em um cenário em que as informações só podem ser descobertas a partir de um fluxo de dados online. Este texto apresenta um novo método de aprendizado não supervis...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2022 |
| País: | Brasil |
| Institución: | Universidade Federal de Lavras (UFLA) |
| Repositorio: | Repositório Institucional da UFLA |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.ufla.br:1/49682 |
| Acceso en línea: | https://repositorio.ufla.br/handle/1/49682 |
| Access Level: | acceso abierto |
| Palabra clave: | Automação Eletrônica de Processos Elétricos e Industriais Aprendizado não supervisionado Sistema Fuzzy evolutivo Computação granular Fluxos de dados online Unsupervised learning Evolving Fuzzy system Granular computing Online data stream |
| Sumario: | Modelos classificadores com fronteiras de decisão variantes no tempo, isto é, classificadores evolutivos, desempenham um papel importante em um cenário em que as informações só podem ser descobertas a partir de um fluxo de dados online. Este texto apresenta um novo método de aprendizado não supervisionado para dados numéricos chamado evolving Internal-eXternal Fuzzy Clustering (Fuzzy eIX). Desenvolve-se a noção de grânulos fuzzy de dupla fronteira e elabora-se sobre suas implicações. Sistemas de inferência fuzzy evolutivos tipo 1 e tipo 2 podem ser obtidos a partir de projeções de grânulos fuzzy eIX em eixos ortogonais correspondentes às dimensões do problema. O algoritmo de aprendizado de modelos Fuzzy eIX é guiado pelo princípio da Granularidade Balanceada de Pedrycz para obter um nível mais alto de compreensibilidade e interpretabilidade do modelo em um domínio. Grânulos internos e externos são atualizados a partir de um fluxo de dados numérico. Concomitantemente, a estrutura granular global do classificador é autonomamente construída e adaptada. Um problema sintético preliminar chamado Rotação das Gaussianas Gêmeas mostra o comportamento do classificador frente a um fluxo de dados não estacionário. Além disso, o desempenho do método é comparado àqueles de outros métodos já estabelecidos na literatura quanto à classificação de bases de dados benchmark em aprendizado de máquina online. As comparações levam em conta a qualidade das partições geradas por meio de índices de validação incrementais, a acurácia e a compactação da estrutura de regras resultante. |
|---|