Algoritmo de Apoio a Tomada de decisão baseado em Árvores e Heurísticas Fuzzy

...

Tomando como base os conceitos da lógica Fuzzy passamos a construção de classes de dados por meio do processo descrito acima.

O processo de fuzzificação

- Aprendizado por máquina

- Conclusão

- Referências

A proposta de trabalho incluiu o raciocínio indutivo, que extrai regras e padrões de grandes conjuntos de dados.

A grande inovação proposta pelos conjuntos conjuntos Fuzzy, além da possibilidade de tratar incertezas, é que torna-se possível utilizar todos os conceitos de conjuntos conhecidos na matemática realizando suas respectivas adaptações.

As chamadas heurísticas Fuzzy são determinadas regras estabelecidas com finalidade de determinar como serão classificados os objetos de um conjunto. Muitas vezes funcionam como um link entre a linguagem humana e a linguagem matemática, onde depois do processo classificatório ditado pelas definições do processo de fuzzificação(processo que dita quais restrições de valores a variável deve assumir para pertencer a determinado conjunto), tais entradas passam por um processo de inferência que processa as entradas do conjunto, e então, os resultados da inferência passam por uma desfuzzicação, para tornar um resultado em linguagem humana ou computacional novamente[10].

A lógica Fuzzy introduzida por

Em problemas de baixa complexidade são utilizadas árvores de decisão. Contudo, problemas de decisão pertencem à classe de problemas NP-Difícil. Embora diversas abordagens robustas e eficientes tenham sido desenvolvidas nos últimos anos, verificamos que algoritmos para apoio a tomada de decisão são um problema em aberto. O modelo proposto faz uma associação entre árvores de decisão, lógica Fuzzy e aprendizado por máquina, fins otimizar processos de decisão.

O objetivo deste trabalho é apresentar um algoritmo para apoio à tomada de decisão baseado em conjunto de heurísticas Fuzzy.

A ideia é que os dados inseridos ou que os perceptores (se usado em sistemas específicos como rede de sensores), não sejam apenas usados apenas para uma ação específica e instantânea, mas também em uma possível decisão futura.

Para que haja uma previsão probabilística, por exemplo, de uma melhor loja virtual para compra de um determinado produto[10], para tomar a decisão de cavar um poço de petróleo em um determinada localização[3] ou para previsão de custos e auxílio a uma determinada ação à executar na agricultura[8], tal sistema necessita passar por um processo de aprendizagem indutiva, onde cria-se uma hipótese baseada em instâncias particulares para que se chegue em conclusões gerais. Esse processo é, na maior parte das vezes, dinâmico, e ocorre conforme o agente observa a sua interação com o mundo e com seu processo de tomada de decisões. Obviamente que, esses sistemas, por estarem inseridos em diferentes contextos, possuirão diferentes variáveis predeterminadas com diferentes graus de pertinência para tomada da decisão final.

Em estruturas de dados e em problemas dessa natureza, a classificação de dados é de extrema importância, pois o grau de pertinência desses dados e/ou das variáveis pode alterar com o tempo e influenciam diretamente na tomada de decisão. Uma das formas de se classificar graus de pertinência é por meio do uso de Lógica Fuzzy.

- Referências

[1]. OLARU, C. e WEHENKEL, L. “A complete fuzzy decision tree technique.” Fuzzy Sets and Systems, n. 138, p.221-254, 2003.

[2]. ZADEH, L. A. Fuzzy Sets. Information and Control, volume [S.1], v.3, n.8, p.338- 353, 1965.

[3]. BRAÑA, J. P. Processo de Tomada de Decisão em Projetos de Exploração e Produção de Petróleo: Uma abordagem Sistêmica com Aplicação da Teoria de Lógica Fuzzy. Dissertação de mestrado. COPE, Universidade Federal do Rio de Janeiro, 2008.

[4]. QUINLAN, J. R. 1986. Induction of Decision Trees. Machine Learning. v1(1) (Mar. 1986), pag. 81-106.

[5]. KOHAVI, Ron; QUINLAN, Ross. C5. 1.3 Decision Tree Discovery. 1999.

[6]. FATEMIPOUR, F. e AKBARZADEH-T, M.-R. “A Genetic Fuzzy Linguistic Rule Based Approach for Dynamic Classifier Selection in Distributed Data Enviroments”, pag. 437 – pag. 442, 2014, 4th ICCKE.

[7]. ELASHIRI, Mohamed A.; HEFNY, Hesham A.; Mohamed; ELWAHAB, Ashraf H. Abd. “Induction of Fuzzy Decision Trees Based on Fuzzy Rough Set Techniques”, pag. 134 – pag 139, 2011, IEEE Journal.

[8]. SALLEH, Mohd Najib Mohd. “Implementing Fuzzy Modeling of Decision Support for Crop Planting Management”. 2013 International Conference on Fuzzy Theory and Its Application – IEEE Journal

[9]. CHEN, Guanrong; PHAM,Trung Tat. “Introduction to Fuzzy Sets, Fuzzy Logic, and Fuzzy Control Systems.[BOOK]”. University of Houston – Houston, Texas. 2001. ISBN 0-8493-1658-8. CRC Press LLC

[10]. RODRIGUES, L. M.; DIMURO, G. P. “Utilizando Lógica Fuzzy para Avaliar