Aprendizado não supervisionado. Sistema Fuzzy Evolutivo. Computação Granular. Fluxos de Dados Online.
Modelos classificadores com fronteiras de decisão variantes no tempo, isto é, classificadores evolutivos, desempenham um papel importante em um cenário em que as informações só podem ser descobertas a partir de um fluxo de dados online. Este texto apresenta um novo método de aprendizado não supervisionado para dados numéricos chamado evolving Internal-eXternal Fuzzy Clustering (Fuzzy eIX). Desenvolve-se a noção de grânulos fuzzy de dupla fronteira e elabora-se sobre suas implicações. Sistemas de inferência fuzzy evolutivos tipo 1 e tipo 2 podem ser obtidos a partir de projeções de grânulos fuzzy eIX em eixos ortogonais correspondentes às dimensões do problema. O algoritmo de aprendizado de modelos Fuzzy eIX é guiado pelo princípio da Granularidade Balanceada de Pedrycz para obter um nível mais alto de compreensibilidade e interpretabilidade do modelo em um domínio. Grânulos internos e externos são atualizados a partir de um fluxo de dados numérico. Concomitantemente, a estrutura granular global do classificador é autonomamente construída e adaptada. Um problema sintético preliminar chamado Rotação das Gaussianas Gêmeas mostra o comportamento do classificador frente a um fluxo de dados não estacionário. Além disso, o desempenho do método é comparado àqueles de outros métodos já estabelecidos na literatura quanto à classificação de bases de dados benchmark em aprendizado de máquina online. As comparações levam em conta a qualidade das partições geradas por meio de índices de validação incrementais, a acurácia e a compactação da estrutura de regras resultante.