Mineração de dados para inferência da relação solo ... - IAC

Após a correção da matriz de dados iniciaram-se as análises, selecionando-sealeatoriamente uma amostra de 10 % dos dados da folha São Pedro pelo programa demineração de dados WEKA, de modo que todas as unidades de mapeamento fossemcontempladas. Posteriormente, gerou-se um modelo relacional de aprendizado, sem osdados estratificados, através de árvores de decisão, na qual cada folha da árvorecorrespondeu às diferentes unidades de mapeamento a serem preditas e os ramosreferiam-se às classes discretas das variáveis geradas na construção do modelo para osdados brutos. A avaliação da acurácia desse modelo foi obtida quando as unidades demapeamento de solo resultantes foram testadas nos dados selecionados no início eobservados a porcentagem de acerto e erro.Com a finalidade de melhorar essa acurácia foi realizado o balanceamento declasses, pois algumas unidades de mapeamento apresentam grande representatividade nafolha, enquanto outras não chegaram a 2 % do total. Essa técnica consiste em aumentara proporção de amostragem nas classes com menor área de ocorrência e reduzir aproporção nas unidades com maior área (Figura 10).Muitos sistemas de aprendizado assumem previamente que as classes estãobalanceadas e acabam falhando ao induzir um classificador que seja incapaz de predizera classe minoritária com acurácia. Na maioria dos casos o classificador possui uma boaacurácia para a classe majoritária, mas uma acurácia baixa para a classe minoritária. Oproblema agrava-se ainda mais quando o custo da classificação incorreta da classeminoritária é muito maior que o custo da classificação incorreta da classe majoritária(BATISTA, 2003).Para solucionar esses problemas podem ser aplicados alguns métodos, como osdesenvolvidos por JAPKOWICZ & STEPHENS (2002), através da atribuição doscustos da classificação incorreta, under-sampling ou over-sampling. Esses dois últimossão métodos de pré-processamento dos dados. Consistem em balancear artificialmente adistribuição das classes no conjunto de exemplos. Através do under-sampling oconjunto de dados é balanceado pela eliminação das unidades de mapeamento commaior representatividade, enquanto no over-sampling as unidades são balanceadas pelareplicação das de menor proporção.54