Algoritmo das Projeções Sucessivas Para Seleção de ... - PPGQ

Capítulo I. Introdução
O Simulated Annealing (SA), algoritmo de seleção de variáveis, foi
originalmente proposto em 1953 por Metropolis et al. [51]
e popularizado após o
trabalho de Kirkpatrick et al. [52] em 1983. Trata-se de um método estocástico de
busca global, cujo princípio está associado à Termodinâmica em simulações de
“cozimento” de sólidos. No contexto da Química Analítica, a literatura é escassa de
trabalhos envolvendo o SA em problemas de classificação. Destaca-se o trabalho
apresentado por Llobet et al. [53] . Nesse estudo, os autores avaliaram a
espectrometria de massa com nariz eletrônico quanto ao seu potencial para
classificação de presuntos espanhóis. O SA foi aplicado em redes neurais artificiais
e 97,24% das amostras foram corretamente classificadas. O número de variáveis foi
reduzido de 209 para 14.
O método de eliminação de variáveis não informativas (UVE: Uninformative
Variable Elimination), proposto inicialmente por Centner et al. [54]
para calibração
multivariada, foi adaptado para o contexto dos métodos de classificação por
Wu et al. [46] . Para esse propósito, modelos de análise discriminante pelos mínimos
quadrados parciais (PLS-DA: Partial Least Squares-Discriminant Analyisis) foram
empregados e a taxa de classificação correta (TCC) foi adotada como parâmetro de
desempenho do método.
O algoritmo genético (GA: Genetic Algorithm), muito utilizado em calibração
multivariada, é um método de seleção de variáveis de natureza estocástica, assim
como o SA. Contudo, o procedimento é realizado através de uma simulação de
processos naturais da evolução com aplicação da teoria da evolução das espécies
proposta por Darwin: “Quanto melhor um indivíduo se adaptar ao seu meio
ambiente, maior será sua chance de sobreviver e gerar descendentes” [55-57] . No
contexto dos métodos de classificação, alguns trabalhos podem ser
encontrados [58-60] .
O GA foi incorporado ao método de análise de variável canônica discreta
(DCVA: Discret Canonical Variate Analysis) e comparado, em seis conjuntos de
dados, com as técnicas LDA e redes neurais artificiais [58] . Na maioria dos casos, o
desempenho do GA-DCVA foi superior às demais estratégias.
Dharmaraj et al. [59] utilizaram a espectroscopia FTIR para a classificação de
diferentes origens geográficas da Phyllanthus niruri Linn., espécie de planta
largamente difundida na Amazônia e eficiente para o tratamento de cálculo renal. O
GA foi utilizado para seleção de variáveis em modelos LDA. O PCA-LDA e SIMCA
12