Resumo
Máquinas de Vetores-Suporte por Mínimos Quadrados (LSSVM) são uma alternativa à Máquina de Vetores-Suporte (SVM), com modificações na formulação do SVM, pois o processo de treinamento da LSSVM requer apenas a resolução de um sistema de equações lineares, ao invés de um problema de otimização de programação quadrática. Mas essas modificações resultaram na falta um uma característica importante presente na SVM: a detecção de forma automática de vetores-suporte, resultando ao classificador LSSVM no armazenamento de todos os padrões de treinamento como vetores-suporte ocasionando a faltadeesparsidade,quepodeserprejudicialquandooconjuntodedadosédemasiadamente grande. Em alguns trabalhos presentes na literatura, Algoritmos Genéticos (AGs) e LSSVM trabalham juntos para encontrar parâmetros do classificador e/ou kernel. No entanto, nesta dissertação são propostos métodos que visam obter modelos esparsos combinando AGs e LSSVM para obtenção de modelos reduzidos. A imposição de esparsidade ao classificador LSSVM pode ser feita através de eliminação de atributos, bem como redução de vetores-suporte armazenados. Assim, a seleção de atributos tem como objetivo selecionar as características mais importantes, pois as que possuem baixa relevância e/ou redundância podem prejudicar o desempenho do classificador. Diantedisto,trêsnovasabordagensforampropostascomointuitodemantereatémelhorar o desempenho obtido pelo classificador convencional. A proposta inicial utiliza algoritmos genéticos e tem como objetivo principal a seleção de atributos mais relevantes ao problema, visando sempre a obtenção da melhor acurácia. Levando em consideração que geralmente os conjuntos de dados possuem mais padrões que atributos, a seleção de características possui maior impacto que a remoção de padrões. Nasegundaproposta,aideiaésemelhanteàprimeira,comodiferencialemqueaquantidade de atributos removidos é previamente definida, ou seja, o percentual de remoção possui tamanho fixo. Portanto, os operadores genéticos sofreram ajustes para adequação ao objetivo. A terceira proposta combina as vantagens da seleção de atributos em conjunto com a redução de vetores-suporte, trazendo uma abordagem dupla de redução, com a inclusão de um score que é utilizado para fins de comparação com os métodos já propostos na literatura. Foram realizadas simulações computacionais envolvendo conjuntos de dados do mundo real, comparando os métodos propostos com os presentes na literatura e assegurando o melhor desempenho o