Genetic and machine learning algorithms in optimization in classification problems
Sigmae · 2024 · 13 (2) · 23-32
DOI: 10.29327/2520355.13.2-2 ↗Kurz gefasst
Fachartikel in der Zeitschrift Sigmae, 2024. Verfasst von Ricardo Theodoro und 3 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Existem diversos tipos de algoritmos de otimização, bem como algoritmos de classificação. Dentre tais algoritmos, o Algoritmo Genético Elitista é um representante dos algoritmos de otimização, enquanto o KNN, a Árvore de Classificação e a Floresta Aleatória são representantes dos algoritmos de classificação. O objetivo desse trabalho é mostrar, através de uma aplicação, como é possível usar essas duas classes de algoritmos em conjunto para não apenas otimizar o número de acertos de classificação, mas também para reduzir a dimensão do problema. A situação utilizada é a classificação de cooperativas de crédito brasileiras usando o texto de seus estatutos. O banco de palavras utilizado constava de 8.293 palavras que ao longo do processo foi reduzido para 1.037 palavras com proporção de acertos de classificação foi maior 81% usando o KNN e de 1.936 e com proporção de acertos maior que 82% usando a Floresta Aleatória.
Zitieren
APA
Theodoro, R., Pereira, A. G. C., Costa, D. R. D. M., & Campos, V. S. (2024). Genetic and machine learning algorithms in optimization in classification problems. Sigmae, 13(2), 23-32. https://doi.org/10.29327/2520355.13.2-2
Vancouver
Theodoro R, Pereira AGC, Costa DRDM, Campos VS. Genetic and machine learning algorithms in optimization in classification problems. Sigmae. 2024;13(2):23-32. doi:10.29327/2520355.13.2-2
BibTeX
@article{Theodoro2024,
author = {Theodoro, Ricardo and Pereira, André G. C. and Costa, Davi Rogério de Moura and Campos, Viviane S.M.},
title = {Genetic and machine learning algorithms in optimization in classification problems},
journal = {Sigmae},
year = {2024},
volume = {13},
number = {2},
pages = {23--32},
doi = {10.29327/2520355.13.2-2}
}
EUVIMED