M.Sc. thesis - Fei

5.4.1 Automação da Extração de Conhecimentos
As árvores de regressão e classificação constituem uma proposta de automação da extração de
conhecimento pela indução de Regras a partir das fronteiras de Pareto. A Figura 5.11 ilustra uma
árvore de classificação com regras induzidas no espaço de parâmetros (Ω). A expansão da árvore
foi limitada à minima divisão de nós com 200 exemplos e as folhas representam a probabilidade
condicional da solução pertencer a uma das quatro classes ( 1-Soluções de Médio Compromisso
entre Objetivos, 2-Alto Ganho, 3-Alta Frequência ou 4-Baixa Potência) dada a configuração do
espaço de parâmetros (Ω).
Figura 5.11: Árvore de Classificação para as Classes: (1) Preto: Soluções de Médio Compromisso
entre Objetivos, (2) Vermelho: Alto Ganho, (3) Verde: Alta Frequência, (4) Azul: Baixa Potência.
A Árvore de Classificação da Figura 5.11 deve ser interpretada a partir do nó raiz até a folha com
a classe de interesse correspondente. Por exemplo, observamos que para a classe (3)Alta Frequência,
a folha ou nó 17, apresenta a maior probabilidade de realizações de OTAs pertencentes a esta classe.
Os parâmetros IDWL12 > 3.192µA, L56 < 0.595µm e W34 < 31.67µm são as configurações que
levam a obtenção da classe Alta Frequência dentro das relações de otimalidade da aproximação da
fronteira Pareto.
De maneira similar à Árvore de Classificação, temos na Figura 5.12 as Árvores de Regressão
para o objetivo Av0 (Figura 5.12(a)) e fT (Figura 5.12(b)).
67