Uma classificação de vinhos baseada em regras fuzzy utilizando o algoritmo FARC-HD
Resumo
Uma aplicação bastante utilizada do aprendizado de máquina supervisionado ocorre em problemas de classificação. Existem diferentes abordagens, com técnicas e algoritmos diversos, para lidar com este problema. Sistemas de classificação baseados em regras fuzzy são uma abordagem consolidada e amplamente utilizada. Nesse sentido, este trabalho tem por objetivo apresentar uma análise sobre esta abordagem, bem como um de seus algoritmos classificadores, chamado FARC-HD. Mais precisamente, este algoritmo foi aplicado em um problema clássico de classificação de vinhos, demonstrando sua alta interpretabilidade e precisão.
Palavras-chave:
Classificador fuzzy, Aprendizagem de máquina, FARC, Inteligência artificial
Referências
Alcalá-Fdez, J., Alcala, R., e Herrera, F. (2011). A fuzzy association rule-based classification model for high-dimensional problems with genetic rule selection and lateral tuning. IEEE Transactions on Fuzzy Systems, 19(5):857–872.
Anguita, D., Ghelardoni, L., Ghio, A., Oneto, L., e Ridella, S. (2012). The ‘k’ in k-fold cross validation. In 20th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN), pages 441–446.
Assis Silva, S. d. e Soares de Souza Lima, J. (2009). Lógica fuzzy no mapeamento de variáveis indicadoras de fertilidade do solo. Idesia (Arica), 27(3):41–46.
Bardossy, A., Duckstein, L., e Bogardi, I. (1995). Fuzzy rule-based classification of atmospheric circulation patterns. Int. journal of climatology, 15(10):1087–1097.
Barros, A. C. (2009). Detecção e classificação de faltas de alta impedância em sistemas elétricos de potência usando lógica fuzzy. Dissertação de Mestrado. Universidade Estadual Paulista (UNESP). Disponível em http://hdl.handle.net/11449/87092.
da Silva, H. d. B., Antoniazzi, R. L., Schuch, R. R., e Chicon, P. M. M. (2020). Gestão de atividades físicas com utilização de machine learning. Anais do Seminário Interinstitucional de Ensino, Pesquisa e Extensão.
El Naqa, I. e Murphy, M. J. (2015). What is machine learning? In machine learning in radiation oncology, pages 3–11. Springer.
Fayyad, U., Piatetsky-Shapiro, G., e Smyth, P. (1996). The kdd process for extracting useful knowledge from volumes of data. Communications of the ACM, 39(11):27–34.
Gacto, M. J., Alcalá, R., e Herrera, F. (2011). Interpretability of linguistic fuzzy rule-based systems: An overview of interpretability measures. Information Sciences, 181(20):4340–4360.
Kotsiantis, S. B., Zaharakis, I., Pintelas, P., et al. (2007). Supervised machine learning: A review of classification techniques. Emerging artificial intelligence applications in computer engineering, 160(1):3–24.
Lucca, G. (2018). Aggregation and pre-aggregation functions in fuzzy rule-based classification systems. Tese de Doutorado. Universidad Publica de Navarra. Disponível em https://academica-e.unavarra.es/handle/2454/34775.
Michalski, R. S., Carbonell, J. G., e Mitchell, T. M. (2013). Machine learning: An artificial intelligence approach. Springer Science & Business Media.
Mitchell, T. M. (1997). Does machine learning really work? AI magazine, 18(3):11–11.
Monard, M. C. e Baranauskas, J. A. (2003). Conceitos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações, 1(1):32.
Pedreira, M. R. G. et al. (2021). Inteligência artificial e machine learning no judiciário: as mudanças processuais e os impactos da tecnologia no sistema brasileiro. Trabalho de conclusão de curso. Universidade Católica do Salvador. Disponível em http://ri.ucsal.br:8080/jspui/handle/prefix/4441.
Radicchi, L. B. M., Barion, M. C., e Ferreira, A. (2019). Arquitetura de machine learning para análise de reportagens textuais em redes sociais para a detecção de fake news.
Russell, S. e Norvig, P. (2002). Artificial intelligence: a modern approach. Prentice Hall.
Sanz, J. A., Fernandez, A., Bustince, H., e Herrera, F. (2010). Improving the performance of fuzzy rule-based classification systems with interval-valued fuzzy sets and genetic amplitude tuning. Information Sciences, 180(19):3674–3685.
Sanz, J. A., Galar, M., Jurio, A., Brugos, A., Pagola, M., e Bustince, H. (2014). Medical diagnosis of cardiovascular diseases using an interval-valued fuzzy rule-based classification system. Applied Soft Computing, 20:103–111.
Tan, P.-N., Steinbach, M., e Kumar, V. (2005). Introduction to Data Mining, (First Edition). Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA.
Zadeh, L. A. (1975). The concept of a linguistic variable and its application to approximate reasoning – I. Information Sciences, 8(3):199–249.
Zadeh, L. A. (1996). Fuzzy sets. In Fuzzy sets, fuzzy logic, and fuzzy systems: selected papers by Lotfi A Zadeh, pages 394–432. World Scientific.
Zadeh, L. A. (2008). Is there a need for fuzzy logic? Information sciences, 178(13):2751–2779.
Anguita, D., Ghelardoni, L., Ghio, A., Oneto, L., e Ridella, S. (2012). The ‘k’ in k-fold cross validation. In 20th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN), pages 441–446.
Assis Silva, S. d. e Soares de Souza Lima, J. (2009). Lógica fuzzy no mapeamento de variáveis indicadoras de fertilidade do solo. Idesia (Arica), 27(3):41–46.
Bardossy, A., Duckstein, L., e Bogardi, I. (1995). Fuzzy rule-based classification of atmospheric circulation patterns. Int. journal of climatology, 15(10):1087–1097.
Barros, A. C. (2009). Detecção e classificação de faltas de alta impedância em sistemas elétricos de potência usando lógica fuzzy. Dissertação de Mestrado. Universidade Estadual Paulista (UNESP). Disponível em http://hdl.handle.net/11449/87092.
da Silva, H. d. B., Antoniazzi, R. L., Schuch, R. R., e Chicon, P. M. M. (2020). Gestão de atividades físicas com utilização de machine learning. Anais do Seminário Interinstitucional de Ensino, Pesquisa e Extensão.
El Naqa, I. e Murphy, M. J. (2015). What is machine learning? In machine learning in radiation oncology, pages 3–11. Springer.
Fayyad, U., Piatetsky-Shapiro, G., e Smyth, P. (1996). The kdd process for extracting useful knowledge from volumes of data. Communications of the ACM, 39(11):27–34.
Gacto, M. J., Alcalá, R., e Herrera, F. (2011). Interpretability of linguistic fuzzy rule-based systems: An overview of interpretability measures. Information Sciences, 181(20):4340–4360.
Kotsiantis, S. B., Zaharakis, I., Pintelas, P., et al. (2007). Supervised machine learning: A review of classification techniques. Emerging artificial intelligence applications in computer engineering, 160(1):3–24.
Lucca, G. (2018). Aggregation and pre-aggregation functions in fuzzy rule-based classification systems. Tese de Doutorado. Universidad Publica de Navarra. Disponível em https://academica-e.unavarra.es/handle/2454/34775.
Michalski, R. S., Carbonell, J. G., e Mitchell, T. M. (2013). Machine learning: An artificial intelligence approach. Springer Science & Business Media.
Mitchell, T. M. (1997). Does machine learning really work? AI magazine, 18(3):11–11.
Monard, M. C. e Baranauskas, J. A. (2003). Conceitos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações, 1(1):32.
Pedreira, M. R. G. et al. (2021). Inteligência artificial e machine learning no judiciário: as mudanças processuais e os impactos da tecnologia no sistema brasileiro. Trabalho de conclusão de curso. Universidade Católica do Salvador. Disponível em http://ri.ucsal.br:8080/jspui/handle/prefix/4441.
Radicchi, L. B. M., Barion, M. C., e Ferreira, A. (2019). Arquitetura de machine learning para análise de reportagens textuais em redes sociais para a detecção de fake news.
Russell, S. e Norvig, P. (2002). Artificial intelligence: a modern approach. Prentice Hall.
Sanz, J. A., Fernandez, A., Bustince, H., e Herrera, F. (2010). Improving the performance of fuzzy rule-based classification systems with interval-valued fuzzy sets and genetic amplitude tuning. Information Sciences, 180(19):3674–3685.
Sanz, J. A., Galar, M., Jurio, A., Brugos, A., Pagola, M., e Bustince, H. (2014). Medical diagnosis of cardiovascular diseases using an interval-valued fuzzy rule-based classification system. Applied Soft Computing, 20:103–111.
Tan, P.-N., Steinbach, M., e Kumar, V. (2005). Introduction to Data Mining, (First Edition). Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA.
Zadeh, L. A. (1975). The concept of a linguistic variable and its application to approximate reasoning – I. Information Sciences, 8(3):199–249.
Zadeh, L. A. (1996). Fuzzy sets. In Fuzzy sets, fuzzy logic, and fuzzy systems: selected papers by Lotfi A Zadeh, pages 394–432. World Scientific.
Zadeh, L. A. (2008). Is there a need for fuzzy logic? Information sciences, 178(13):2751–2779.
Publicado
17/11/2021
Como Citar
MAGALHÃES, Vitor M.; CARMONA, Jair O. G.; LUCCA, Giancarlo; SANTOS, Helida; BORGES, Eduardo N..
Uma classificação de vinhos baseada em regras fuzzy utilizando o algoritmo FARC-HD. In: WORKSHOP-ESCOLA DE INFORMÁTICA TEÓRICA (WEIT), 6. , 2021, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 148-155.
DOI: https://doi.org/10.5753/weit.2021.18935.
