Muitas entidades do mundo real podem ser representadas através da
combinação de atributos discretos e contínuos. O problema básico da formação de
conceitos, em domínios com esta representação, deve-se ao uso de diferentes
funções de avaliação para cada tipo de atributo. Nesse trabalho, esse problema...

Muitas entidades do mundo real podem ser representadas através da
combinação de atributos discretos e contínuos. O problema básico da formação de
conceitos, em domínios com esta representação, deve-se ao uso de diferentes
funções de avaliação para cada tipo de atributo. Nesse trabalho, esse problema será
analisado especificamente em sistemas de formação de conceitos probabilísticos
(SFCP). A análise do problema aponta diferentes comportamentos para as funções
de avaliação dos atributos discretos e contínuos. Essa diferença resulta numa
participação desbalanceada das funções de avaliação, para cada tipo de atributo, na
função de avaliação geral. Isso, conseqüentemente, gera uma tendência na criação
da hierarquia, afetando diretamente a qualidade dos conceitos gerados.
Basicamente, este trabalho se concentra em estudar a qualidade dos conceitos em
termos da capacidade de inferência dos mesmos. Em SFCP, devido o caráter
incremental dos mesmos, a cada nova entidade classificada a capacidade de
inferência dos conceitos sofre modificações. Essas modificações são de diferente
intensidade para cada tipo de atributo. A proposta de solução desse trabalho está
baseada no ganho individual de capacidade de inferência para cada tipo de atributo,
discretos e contínuos. Assim, busca-se a criação de uma da hierarquia de conceitos
que também promova o maior ganho em capacidade de inferência para cada tipo de
atributo. A abordagem aqui proposta constitui uma forma de contornar a
predominância na função de avaliação geral. Experimentos realizados para medir a
qualidade dos conceitos gerados pela proposta apresentada mostraram resultados
superiores em comparação com trabalhos similares.

Many real world entities can be represented by a combination of discrete and
continuous attributes. In domains with this kind of representation, concept formation
systems have a problem due to the use of different evaluation functions for each type
of attribute. In this dissertation, this problem is...

Many real world entities can be represented by a combination of discrete and
continuous attributes. In domains with this kind of representation, concept formation
systems have a problem due to the use of different evaluation functions for each type
of attribute. In this dissertation, this problem is analyzed specifically in probabilistic
concept formation systems (PCFS). In such systems, the evaluation function for
discrete and continuos attributes has different behavior which results in an
unbalanced contribution for each attribute-type evaluation function inside the main
evaluation function. Indeed, a bias occurs in hierarchy building, affecting directly the
quality of the generated concepts. Basically, this work studies the quality of the
generated concepts in terms of its predictability. Since PCFS are generally
incremental, they change concept prdicatability for each new entity analyzed. This
work describes an approach based on the difference between the individual
predictability gain for each attribute type. Indeed, it also favors the creation of
concept hierarchies that maximize the individual predictability gain for each attribute.
This approch means a way to work around the unbalanced contribution problem in
attribute-driven evaluation functions environments. Experiments using the approach
presented here have shown higher quality concepts, in terms of predictability, when
compared with related works.

Disponibilidade forma física: Existe obra impressa de codigo : 66844

Disponibilidade forma física: Existe obra em CD-Rom de codigo : 69794