Dissertação

Feature Selection and Optimization on Naive Bayes modeling using Genetic Algorithm EVALUATED

O ponto inicial de qualquer implementação de Aprendizagem Automática são as features de entrada do modelo. Quando o espaço que define as features de entrada torna a sua seleção proibitiva através do uso de um algoritmo de pesquisa exaustiva, uma estratégia evolutiva pode ser uma alternativa viável. Neste trabalho, uma arquitetura automática para seleção e otimização de features de entrada é proposta, otimizando à sua saída, a taxa de acerto do modelo Naive Bayes estimada com recurso a um esquema de rotação. O Foreign Exchange Market serve como caso de estudo, pois ao usar análise técnica como entrada do modelo, o problema torna-se numa explosão combinatória. A arquitetura proposta melhora a taxa de acerto, em comparação com um modelo não otimizado, de 51,39% para 53,95% no período de teste. Através do algoritmo t-Distributed Stochastic Neighbour Embedding é feita uma tentativa de visualização das regras alcançadas pelo modelo.
Aprendizagem Automática, Computação Evolutiva, Naive Bayes, Otimização de Features

Maio 19, 2017, 15:45

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar