1. Seleção de Atributos Aprendizagem de Máquina • Artur Aquino • Gabriel Albuquerque • Hallan Cosmo

2. Roteiro Introdução Metodologia PSO O Problema Implementação Resultados Comparação Conclusão

3. Introdução • Atributos não relevantes podem reduzir a precisão dos algoritmos de aprendizado supervisionado • Algoritmos de seleção de atributos buscam selecionar atributos não redudantes e relevantes. • O problema aqui é: qual caminho tomar para selecionar os atributos? • Busca exaustiva não é uma boa estratégia

4. Metodologia • Seleção de atributos • Algoritmo: Particle Swarm Optimization – PSO • Algoritmo supervisionado no WEKA • WrapperSubset Eval • Comparação

5. PSO Foi inicialmente descrito em 1995 por James Kennedy e Russell C. Eberhart mas evoluiu muito desde então É uma espécie de inteligência coletiva de um enxame baseada em principios psico-sociológicos Pode ser utilizado para demonstrar comportamentos sociais ou aplicações de engenharia

6. PSO O PSO é um algoritmo de otimização estocástico e baseado em populações Os atributos são abstraídos para partículas no espaço Posição Taxa de mudança Velocidade

7. PSO Comunicação -> Melhor posição Local Global Ajuste buscando o ótimo Posição Velocidade

8. PSO - Exemplo Gaivotas telepáticas (trocam informações) em posições aleatórias buscando a melhor fonte de comida Como sabem qual gaivota está mais próxima alteram velocidade e posição Vão mantendo o registro das melhores posições e velocidades Convergem para a fonte de comida (o ótimo)

9. O Problema • Temos um problema de classificação, onde devemos determinar se um animal é Peixe ou não. • A partir de um conjunto de atributos, em que, eventualmente, alguns são irrelevantes e reduzem a precisão do algoritmo.

10. Implementação • PSO - Algoritmo de busca • Classificador Naive Bayes • Comparação • Naive Bayes do Weka

11. Resultados • Experimentamos diferentes quantidades de partículas no espaço

12. Comparação PSO x todos os atributos x weka Acerto calculado no weka Diferença muito pequena Quantidade de atributos Weka: 20 PSO: 6 (10000 partículas)

13. Conclusão • Muitos atributos não é necessariamente vantagem • Redundância • Irrelevância • PSO tende a melhorar com o aumento de partículas inicialmente geradas • Até certo ponto • O algoritmo implementado foi muito básico mas, ainda assim consegue resultados próximos ao do weka com menos atributos

14. Seleção de Atributos Aprendizagem de Máquina • Artur Aquino • Gabriel Albuquerque • Hallan Cosmo