Uma aplicação web para análise comparativa de seleção de características baseadas em meta-heuristicas

Abstract

Nos dias atuais, é notório o crescimento da importância que as técnicas de aprendizado de máquina têm tido em virtude da massiva quantidade de dados presentes na Internet. Dentre as situações em que o aprendizado de máquina pode ser empregado, pode-se citar a detecção de tumores em exames médicos, a identificação de perfis de consumo e a detecção de intrusões em redes de computadores. Diante desse contexto, uma das etapas mais importantes para que um sistema de aprendizado tenha desempenhos satisfatórios é a seleção de características. Esta etapa envolve aplicar algoritmos ao vetor de características, com a finalidade de encontrar um subconjunto deste vetor tal que aumente a acurácia na classificação e reduza a complexidade do modelo de aprendizado, podendo assim ser compreendida como um problema de otimização NPDifícil. Deste modo, a utilização de métodos determinísticos não apresenta bom desempenho, tornando as meta-heurísticas, técnicas que se baseiam em comportamentos ótimos encontrados na natureza, excelentes candidatas para esse tipo de problema. Assim sendo, o presente projeto visa o desenvolvimento e implementação de uma aplicação web cujo objetivo é permitir a comparação de tarefas de seleção de características baseadas em técnicas meta-heurísticas.

Nowadays, it is notorious the growth of importance that machine learning techniques have had due to the massive amount of data present on the Internet. Among the situations in which machine learning can be employed, one can cite the detection of tumors in medical exams, the identification of consumption profiles, and the detection of intrusions in computer networks. Given this context, one of the most important steps for a learning system to perform satisfactorily is the feature selection. This step involves applying algorithms to the feature vector, in order to find a subset of this vector such that it increases the classification accuracy and reduces the complexity of the learning model, and can thus be understood as an NP-hard optimization problem. Thus, the use of deterministic methods does not perform well, making metaheuristics, techniques that are based on optimal behavior found in nature, excellent candidates for this type of problem. Thus, the present project aims at developing and implementing a web application whose objective is to allow the comparison of feature selection tasks based on metaheuristic techniques.