aplicação de algoritmos genéticos em técnicas de mineração de

APLICAÇÃO DE ALGORITMOS GENÉTICOS EM
TÉCNICAS DE MINERAÇÃO DE DADOS
Alberto Yukinobu Hata 1, Fábio Kenji Masago 2, João Fernando Marar3
1,2,3
UNESP - Universidade Estadual Paulista Júlio de Mesquita Filho
[email protected]
1. Introdução
A extraordinária evolução tecnológica possibilitou
um maior nível de processamento dos computadores e a
capacidade de armazenar grande quantidade de dados
em dispositivos secundários. A partir disso, efetuar
pesquisas estruturadas utilizando linguagens de
consulta, como a SQL (Structured Query Language),
têm se tornando desinteressantes, pois não permitem
executar consultas complexas em banco de dados
extensos e necessitam do conhecimento prévio do seu
conteúdo para realizar tais operações [1]. Dessa forma,
para facilitar a recuperação de dados que apenas
interessam ao usuário, foi introduzida uma técnica, que
permite extrair o conhecimento contido nos bancos de
dados, denominada mineração de dados ou data mining.
Existem inúmeros métodos que possibilitam minerar os
dados, cada uma dos quais utilizam como base, áreas de
estudo pertencentes à estatística, o aprendizado de
máquina e conceitos derivados do campo da inteligência
artificial (IA) [2]. Os algoritmos genéticos (AGs), ramo
de pesquisa do paradigma evolucionista da IA, possui
recursos, como reconhecimento de padrões e extração
de características, destinados a obter o conhecimento
presente no banco de dados.
apenas valores binários. Para a criação da população
inicial, a data mining extrai registros aleatórios do
banco de dados. A partir disso, dados pertencentes aos
atributos dos registros que são exatamente iguais
àqueles definidos pela regra são armazenados nos
cromossomos.
Em
seguida,
são
aplicados
sucessivamente os operadores de seleção, reprodução e
mutação. Após consecutivas evoluções, obtêm-se os
indivíduos que melhor se adaptaram às condições
impostas. O critério de parada normalmente adotado
para determinar o término do algoritmo, compreende-se
em verificar se a maior parte dos indivíduos apresenta
um grau de aptidão equivalente ou superior ao nível
inicialmente definido. Dessa forma, os cromossomos
que compõem a população final representam o padrão
procurado.
2. Objetivo
Figura 1 – Representação da estrutura da regra.
Tendo em vista a capacidade de adaptação das
técnicas de algoritmos genéticos para os mais variados
tipos de problemas, cria-se um grande interesse a
respeito desse assunto. Assim, tem-se por objetivo
investigar técnicas de data mining que utilizam esse
campo da IA. Com isso, será possível expandir ainda
mais as pesquisas de métodos de mineração de dados
associados às abordagens da inteligência artificial,
contribuindo para tornar a tarefa de aquisição do
conhecimento mais eficiente.
Por meio desse estudo, verificou-se a aplicabilidade
dos algoritmos genéticos na extração de conhecimento a
partir do banco de dados, pois apresentam um
funcionamento simples comparado a outras técnicas de
data mining existentes, além de permitir obter de forma
eficiente, resultados para problemas que envolvem o
reconhecimento de padrões.
3. Metodologia
A técnica de AG permite identificar padrões
presentes nos banco de dados a partir da codificação de
suas informações em forma de cromossomos, que
passam pelo processo de transformação semelhante ao
processo evolutivo dos seres vivos. Nos algoritmos
genéticos, os registros do banco de dados são
representados em forma de expressões denominadas
regras. Cada regra é composta por um termo
antecedente indicando uma condição e um outro
conseqüente, designando uma predição que apenas se
sucede caso o termo antecedente seja satisfeito [3]
(Figura 1). A condição é formada por atributos que
simbolizam os dados dos registros. Inicialmente, para a
definição da estrutura do cromossomo, utiliza-se um
gene para cada atributo da regra, sendo que armazenam
4. Conclusões
5. Referências
[1] R. ELMASRI; S.B. NAVATHE, Fundamentals of
Database Systems, Pearson, 3º ed., 2001.
[2] C. OLARU; L. WEHENKEL, Data Mining, IEEE
Computer Applications in Power, v. 12, 3º ed., p.1925, 1999.
[3] D.R. CARVALHO; A.A. FREITAS, A hybrid
decision tree/genetic algorithm method for data
mining, 2004.
Agradecimentos
Ao Laboratório de Sistemas Adaptativos e
Computação Inteligente (SACI) por fornecer recursos
para o projeto.
1
Aluno de IC do CNPq