Integração de técnicas de raciocínio baseado em casos e agrupamento de dados na construção de sistemas inteligentes
Resumo
Sistemas de Raciocínio Baseado em Casos (Case-Based Reasoning – CBR) utilizam experiências passadas, ou casos, para a tomada de decisão de problemas atuais. Para recuperar essas experiências de bases de casos, técnicas de similaridade são empregadas na busca de casos passados similares ao problema atual usado como consulta. Nestes sistemas, problemas relacionados a análise da relevância de atributos que representam informações gravadas em casos podem impactar na performance de mecanismos de recuperação de casos de CBR. Neste contexto, esta dissertação utiliza algoritmos de clustering aplicados sobre casos para permitir identificar quais são os atributos mais relevantes representados em casos para CBR, os quais podem ser explorados como índices na construção de funções de similaridade ajustadas para a solução de problemas de aplicação. Neste processo, diferentes algoritmos de clustering e métricas de avaliação de grupos de casos são explorados em um framework de indexação, permitindo identificar quais são os atributos mais relevantes. Esta dissertação também utiliza os grupos formados em clustering para a criação de sub-bases de casos a serem utilizadas pelos mecanismos de consultas CBR. Para avaliar a abordagem proposta, um estudo de caso envolvendo um sistema de simulação é explorado. Resultados obtidos neste estudo de caso demonstram que a utilização do framework proposto nesta dissertação permite melhorar a acurácia de consultas CBR realizadas de 44.50% para 83.93%. Bases de casos da Web também são exploradas na validação das propostas apresentadas nesta dissertação.
Coleções
Os arquivos de licença a seguir estão associados a este item: