Divulgação - Defesa Nº 712
Aluno: Manoel Alves de Almeida Neto
Título: “Utilização de Algoritmos de Otimização Mono e Multi-objetivo para Otimizar os Parâmetros da Regressão de Vetores de Suporte”.
Orientadora: Profa. Roberta Andrade de Araújo Fagundes
Co-Orientador: Prof. Carmelo José Albanez B. Filho
Data-hora: 27/julho/2018 (15:00h)
Local: Escola Politécnica de Pernambuco – SALA I-4
Resumo:
Análise de Regressão é uma ferramenta estatística que tem como objetivo explicar e modelar o relacionamento entre variáveis através de modelos matemáticos. Os problemas de regressão são divididos em duas categorias, paramétricos (i.e., linear), e não-paramétricos (i.e., não-linear). Regressão de Vetores de Suporte, do inglês Support Vector Regression (SVR) é uma técnica de regressão não paramétricas que chamando a atenção de pesquisadores devido a sua capacidade de resolver problemas complexos de forma eficaz. Entretanto, para que a SVR possa realizar a estimação de valores com baixo taxa de erro é preciso realizar ajustes nos seus parâmetros: ε, taxa de erro que indica o quanto distante os dados previsto estão em relação aos vetores de suporte; C, valor de custo para gerar os vetores de suporte; e γ, parâmetro da função de Kernel que serve para suavizar as curvas de densidade da estimação dos valores. Algoritmos de otimização são técnicas computacionais que tem como objetivo fazer otimização de parâmetros de funções objetivo a fim de minimizar ou maximar os valores dessas funções. De forma geral, os algoritmos de otimização são classificados em mono-objetivo e multi-objetivo. Algoritmos de otimização mono-objetivo são aqueles que tem como proposito a minimização/maximação de uma função, e.g., erro de regressão R2. Dentre esses algoritmos, os mais utilizados e na literatura são, o Otimização por Enxames de Partículas (PSO), Otimização por Colonia de Abelhas Artificias (ABC) e Otimização por Cardumes de Peixes Artificias (FSS). Contudo, tendo em vista que a maioria dos problemas do mundo real está relacionado à resolução de mais de uma função objetivo não triviais, abordagens multi-objetivo vem sendo aplicadas para otimizar duas ou mais funções ao mesmo tempo. Nesse contexto, os resultados da regressão tendem a ser mais assertivo pois a busca pelos parâmetros dessas funções se torna mais abrangente, evitando enviesamento ou preferência à apenas uma função. Dos algoritmos de otimização multi-objetivo, utilizou-se o Algoritmo Evolucionário baseado no Pareto 2 (SPEA2), o Algoritmo Evolucionário Multi- objetivo Baseado na Decomposição com Alocação Dinâmica de Recursos (MOEA/D-DRA); o Otimização por Enxames de Partículas Multi-objetivo com Limitação de Velocidade (SMPSO); e, por fim, o algoritmo Otimização Multi-Objetivo baseado em Cardumes Artificiais (MOFSS). O Coeficiente de Determinação Estatística (R2) e a Raiz do Erro Médio Quadrático(REMQ) foram utilizadas como funções objetivo para realizar a minimização. Para validar a primeira e segunda propostas, aplicou-se dados simulados com e sem outliers e dados provenientes de problemas reais.
O Programa
