Aplicação de Algoritmos Evolutivos Multiobjetivo na Seleção de Instâncias
Resumo
Sistemas de descoberta de conhecimentos em bases de dados e aprendizagem de máquinas prevêem situações, agrupam e classificam padrões, entre outras tarefas. Apesar desses sistemas se preocuparem em gerar informações de fácil interpretação, confiáveis e de forma rápida, as extensas bases de dados normalmente utilizadas dificultam o alcance de precisão aliada a um baixo custo computacional. Para resolver esse problema, as bases de dados podem ser reduzidas com o objetivo de diminuir o tempo de processamento e guardar apenas informações suficientes e relevantes para a extração do conhecimento. Nesse contexto, métodos para reduzir e filtrar as bases de dados vem sendo propostos, com destaque para a Seleção de Instâncias, que seleciona um subconjunto de exemplos que possa ser usado para gerar modelos de classificação com a mesma precisão que os modelos gerados a partir do conjunto original. Nas últimas décadas, diversas abordagens para este fim vêm sendo apresentadas, e dentre elas as que utilizam Algoritmos Evolutivos. Entretanto, apesar dos métodos de seleção de instâncias buscarem otimizar dois objetivos considerados conflitantes entre si, precisão na classificação e redução do custo computacional, apenas um algoritmo para otimização multiobjetivo foi aplicado até o momento neste problema. Assim, este trabalho buscou avaliar o desempenho de Algoritmos Evolutivos Multiobjetivo amplamente conhecidos pela comunidade científica, tais como o NSGA-II e o SPEA-II, na seleção de instâncias. Os resultados, comparados com os disponíveis na literatura correlata, demonstram que os algoritmos NSGA-II e SPEA-II podem ser aplicados no processo de seleção de instâncias para problemas de classificação, apresentando elevadas taxas de redução do número de instâncias e tempo de execução reduzido, sem alterações significativas na precisão.
Referências
Castro, R. M. and Braga, J. L. and Soares, L. S. 2013. Selection of good practices for small software development teams: a knowledge-based approach. SIGSOFT Softw. Eng. Notes 38, 6 (November 2013), 1-15.
Del Maschi, V. F. and Spinola, M. M. and Costa, I. A. and Esteves, A. L. and Vendramel, W. 2007. Practical Experience in Customization of a Software Development Process for Small Companies Based on RUP Processes and MSF. In PICMET '07 - 2007 Portland International Conference on Management of Engineering & Technology, Portland, OR, 2007, 2440-2457.
Ihme, T. and Pikkarainen, M. and Teppola, S. et al. 2014. Challenges and industry practices for managing software variability in small and medium sized enterprises. Empirical Software Engineering (2014) 19: 1144. doi:10.1007/s10664- 013-9253-0.
Iqbal, J. and Ahmad, R. B. and Nasir, M. H. and Niazi, M. Shamshirband, S. and Noor. M. A. 2016. Software SMEs' unofficial readiness for CMMI®-based software process improvement. Software Quality Journal 24, 4 (December 2016), 997-1023.
Kalinowski, Marcos, et al. "MPS. BR: promovendo a adoção de boas práticas de engenharia de software pela indústria brasileira." XIII Congreso Iberoamericano en" Software Engineering"(CIBSE). Universidad del Azuay (in Portuguese), Cuenca, Equador, ISBN. 2010.
Kitchenham, B. 2004. Procedures for performing systematic reviews. Keele University, Tech. Report.
Kitchenham, B. and Charters, S. 2007. Guidelines for performing systematic literature reviews in software engineering. Software Engineering Group, School of Computer Science and Mathematics, Keele University, Tech. Report.
Lars, L. 2017. Product Innovation in Small Companies: Managing Resource Scarcity Through Financial Bootstrapping. International Journal of Innovation Management, 21(2).
Lester, N. G. and Wilkie, F. G. and McFall, D. and Ware, M. P. 2010. Investigating the role of CMMI with expanding company size for small- to medium-sized enterprises. J. Softw. Maint. Evol. 22, 1 (January 2010), 17-31.
Monteiro, P. and Borges, P. and Machado, R. J. and Ribeiro, P. 2012. A reduced set of RUP roles to small software development teams. In International Conference on Software and System Process (ICSSP), Zurich, 2012, pp. 190-199.
Moreno Junior, Valter de Assis, & Gomes, Josir Cardoso. (2012). Benefits and success factors of open-source web services development platforms for small software houses. JISTEM - Journal of Information Systems and Technology Management, 9(3), 585-606.
Niazi, M. (2012), An exploratory study of software process improvement implementation risks. J. Softw. Evol. and Proc., 24: 877–894. doi:10.1002/smr.543.
Petersen, K., et al. 2008. Systematic mapping studies in software engineering. In 12th international conference on evaluation and assessment in software engineering. Vol. 17. No. 1. Sn.
Sánchez-Gordón, M. L. and O’Connor, R.V. 2016. Understanding the gap between software process practices and actual practice in very small companies. Software Quality Journal. 24(3). 549–570. doi:10.1007/s11219-015-9282-6.
SEI - SOFTWARE ENGENEERING INSTITUTE. “CMMI for Development, Version 1.3, CMMI-DEV v1.3, CMU/SEI Technical Report, Software Engineering Institute”, 2011.
Softex (2012). MPS - Melhoria de Processo de Software e Serviços - Guia Geral MPS de Serviços (Portuguese). Brasília - DF: SOFTEX.
SWEBOK Version 3.0. Guide to the Software Engineering Body of Knowledge. Available at:
Thiry, Marcello, et al. 2006. Uma Abordagem para a Modelagem Colaborativa de Processos de Software em Micro e Pequenas Empresas (Portuguese). In V Simpósio Brasileiro de Qualidade de Software (SBQS), Vila Velha.
Usman M, Mendes E, Borstler J (2015) Effort estimation in agile software development: A survey on the state of the practice. In: EASE '15: Proceedings of the 19th International Conference on Evaluation and Assessment in Software Engineering.
Wohlin C, Runeson P, Host M, Ohlsson MC, Bjorn R, Wessln A (2012) Experimentation in Software Engineering. SpringerVerlag.
