Application of Genetic Algorithms for the Mining of Rules IF-THEN in Datasets with Non-Linear Distribution

The present work has the purpose of accomplishing the mining of high-level classification rules (IF-THEN) in data set with continuous attributes and non-linear data distribution, in a precise and comprehensible way. Thus, we used the Genetic Algorithm (GA) technique - computational research methods based on Darwin's evolutionary theory - to develop two algorithms, MIRGA and MDRGA. The MIRGA is an extension of the NLCEE algorithm of Amaral and Hruschka, and its results were similar and even inferior in comparison to the NLCEE. Consequently, the second algorithm, MDRGA, was originated and it has obtained the best classification result for the data sets, Sonar, Iris, Bupa and Ionosphere, in comparison to other methods based on GA (CEE and NLCEE) and traditional classification methods, such as: J48, Random Forest, PART, Naive Bayes, IBK and MLP.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorDissertação (Mestrado)O presente trabalho tem a finalidade de realizar a mineração de regras de classificação de alto nível (SE-ENTÃO) em conjunto de dados com atributos contínuos e distribuição de dados não linear, de maneira precisa e compreensível. Desse modo, utilizou-se a técnica de Algoritmos Genéticos (AGs) — métodos de pesquisa computacional baseados na teoria evolutiva de Darwin — para desenvolver dois algoritmos: o MIRGA e MDRGA. O MIRGA é uma extensão do algoritmo NLCEE de Amaral e Hruschka, e seus resultados foram promissores em comparação ao NLCEE. Consequentemente originou-se o segundo algoritmo, o MDRGA, que obteve o melhor resultado de classificação para os conjuntos de dados Diabetes, Sonar, Iris, Bupa e Ionosphere em comparação a outros métodos baseados em AG (CEE e NLCEE) e métodos de classificação tradicionais, tais como: J48, Random Forest, PART, Naive Bayes, IBK e MLP