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

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

Patrick C. dos Santos¹, Nader M. Hauache1, Edson N. Silva Júnior1, José L. S. Pio1

1Icomp: Instituto de Computação – Universidade Federal do Amazonas (UFAM) – 69.077 - 000 – Manaus – AM – Brazil

{patrick.chagas, naderhauache}@gmail.com, {edson,josepio}@icomp.ufam.edu.br

Abstract. The objective of this paper is to present an algorithm to support decision making based on set of heuristics Fuzzy. Making decisions is a natural human activity. Typically, a decision problem is defined by costs and probabilities, from which is calculated the expected cost for each possible decision. In low-complexity problems decision trees are used. However, decision problems belong to the class of NP-Hard problems. Although several robust and efficient approaches have been developed in recent years, we find that an algorithm to support decision-making is an open problem. The proposed model is an association between decision trees, fuzzy logic and learning by machine, optimize decision-making purposes.

Resumo. O objetivo deste trabalho é apresentar um algoritmo para apoio à tomada de decisão baseado em conjunto de heurísticas Fuzzy. Tomar decisões é uma atividade natural do ser humano. Tipicamente um problema de decisão é definido por custos e probabilidades, a partir dos quais é calculado o custo esperado para cada decisão possível. 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 é 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.

1. Introdução

Tomar decisões é uma atividade natural do ser humano. Tipicamente um problema de decisão é definido por custos e probabilidades, a partir dos quais é calculado o custo esperado para cada decisão possível.

Árvores de tomada de decisão é um tipo de estrutura de dados muito utilizada em inteligência artificial, mineração de dados e outras áreas do conhecimento humano e da computação. Geralmente, seu uso tem a finalidade de prever dentro de um contexto predeterminado a melhor decisão, ou, prover a solução de problemas classificatórios por meio de técnicas matemáticas, probabilísticas e computacionais.

Contudo, problemas de decisão pertencem à classe de problemas NP-Difícil, ou seja, tem tempo polinomial de resolução. Sendo assim, foram desenvolvidas algumas técnicas [] com a finalidade de viabilizar computacionalmente problemas de natureza classificatória e tomada de decisão para conjuntos de dados dinâmicos.

A lógica Fuzzy foi formalizada por Zadeh [2] em meados de 1965. Seu objetivo é possibilitar o tratamento e a classificação lógica de incertezas.

Assim, a lógica Fuzzy é uma extensão da lógica booleana que admite valores lógicos intermediários entre o FALSO (0) e o VERDADEIRO (1); por exemplo, o valor médio 'TALVEZ' (0,5). Isto significa que um valor lógico difuso é um valor qualquer no intervalo de valores entre 0 e 1.

Tomar decisões, ou mesmo classificar dados em conjuntos estáticos merece destaque substancial. Sobretudo porque alicerçam um novo campo; como realizar classificação de dados, ou tomar decisões, com base em conjunto de dados dinâmicos? Para atender esta demanda surgiu o campo de aprendizado por máquina que é um subcampo da inteligência artificial dedicado ao desenvolvimento de algoritmos e técnicas que permitam ao comutador aprender, isto é, que permitam ao computador aperfeiçoar seu desempenho em alguma tarefa.

1. Árvores de decisão

1. Lógica Fuzzy

A base da lógica Fuzzy é o conceito de conjunto difuso (fuzzy set) [2]. Um conjunto difuso é um par (A, p[A]), sendo p[A]: X -> [0,1] uma função de pertinência, que aponta o grau em que os elementos do conjunto CRISP pertencem ao conjunto difuso (A, p[A]).

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 defuzzicação, para retornar um resultado em linguagem humana ou computacional [10].

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

1. Aprendizado por máquina

1. Conclusão

1. 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].