Processo de Descoberta de Conhecimento em Base de Dados para Previsão de Ocorrências de Espécimes de Peixe-Boi Marinho

Transcrição

1 Processo de Descoberta de Conhecimento em Base de Dados para Previsão de Ocorrências de Espécimes de Peixe-Boi Marinho Malena Caroline de M. Assunção 1, Jailson Nunes Leocadio 1, Vinicius Ponte Machado 1 1 Departamento de Computação Universidade Federal do Piauí (UFPI) Teresina, PI Brasil malenacaroline@hotmail.com, jailsonleocadio@gmail.com, vinicius@ufpi.edu.br Resumo. Atualmente, o aprendizado de máquina é um dos grandes ápices da inteligência artificial e propõe soluções práticas de problemas do cotidiano, sendo eles, técnicos, sociais ou biológicos. Este trabalho propõe a utilização de um algoritmo de aprendizado de máquina, o J48, executado em uma base de dados com informações abióticas sobre o peixe-boi marinho. O objetivo principal do trabalho é extrair informações necessárias sobre as ocorrências dos espécimes do peixe-boi, que está ameaçado de extinção, no estuário dos rios Timonha e Ubatuba. Neste estudo, o J48, apresentou boas métricas de desempenho e uma ótima taxa de acerto referente as informações da base de dados analisada. Com o desempenho do classificador, foi possível prever quais os locais da aparição do peixe-boi marinho no estuário e quais os fatores que influenciam para o aparecimento do mesmo. 1. Introdução A aprendizagem de máquina é uma área da inteligência artificial que consiste no desenvolvimento de algoritmos e técnicas em que a máquina toma decisões baseada em experiências acumuladas através da solução bem sucedida de problemas anteriores. Os diversos sistemas de aprendizado de máquina possuem características particulares e comuns que possibilitam sua classificação quanto à descrição, modo, paradigma e forma de aprendizado utilizado. Métodos por aprendizagem supervisionada consistem na aprendizagem feita a partir de exemplos, em que o agente ajuda o sistema a construir o modelo, através da definição das classes e dos exemplos em cada classe. O sistema tem que determinar a descrição para cada classe, ou seja, o conjunto de propriedades comuns nos exemplos que lhe são fornecidos. Estando a descrição determinada, é possível formular a regra de classificação que pode ser utilizada para prever a classe de um objeto que não tenha sido considerado aquando da aprendizagem. Este trabalho apresenta um estudo do desempenho de um algoritmo de aprendizagem supervisionada em um problema biológico. O estudo é feito baseado na análise das ocorrências do peixe- boi no estuário dos rios Timonha e Ubatuba registrados em uma base de dados. Com o processo de aprendizagem e a extração do conhecimento da base analisada foi possível saber qual a taxa de acerto do algoritmo, conseguir prever as ocorrências do peixe-boi sob as condições existentes e saber quais fatores abióticos influenciam para o aparecimento destes animais em determinados locais.

2 2. Referencial Teórico 2.1. Base de Dados de Ocorrências do Peixe- Boi (BDOPB) O peixe-boi-marinho, Trichechus manatus manatus [ Linnaeus 1758], é um mamífero marinho encontrado em águas oceânicas e estuarinas. Considerado criticamente em perigo, situação ocasionada pela morte intencional e acidental dos indivíduos como: o encalhe de filhotes, a captura acidental em redes de emalhe, tapagem, arrasto e currais de pesca, seguidos de morte intencional [IBAMA 2001]. Este espécime está na lista de animais ameaçados de extinção do IBAMA [IBAMA 2001] e da IUCN [IUCN 2000]. Atualmente, localiza-se em Cajueiro da Praia (PI), na região do estuário dos rios Timonha e Ubatuba, a primeira torre de observação construída no mar no Brasil para acompanhamento da espécie e uma base avançada do Projeto Peixe-Boi. Além dos trabalhos desenvolvidos diretamente pelo Instituto Chico Mendes de Conservação da Biodiversidade (ICMBio) e pela Área de Proteção Ambiental (APA) Delta do Parnaíba, diversas instituições (públicas, governamentais, privadas e do terceiro setor) executam projetos que visam a conservação do estuário e a preservação de sua biodiversidade. A Base de Dados de Ocorrência do Peixe-Boi (BDOPB), fornecida pela Organização Não Governamental (ONG) Comissão Ilha Ativa (CIA), instituição que possui sede no município piauiense de Ilha Grande e atua com projetos socioambientais em toda a APA Delta do Parnaíba, é composta por 864 instâncias e com 09 atributos. Os atributos sãos: data de aparição, latitude, longitude, temperatura, profundidade, salinidade, interação, distância e aparecimento. Devido a variabilidade dos dados da BPOPB foram feitos ajustes nos dados para se obter uma boa classificação,estes ajustes serão discutidos em outros tópicos no decorer deste trabalho Algoritmo J48 Como a classificação é um processo de aprendizado supervisionado, o modelo construído baseia-se na análise prévia de um conjunto de dados de amostragem ou dados de treinamento, contendo objetos corretamente classificados [Han e Kamber 2006]. O algoritmo J48 permite a criação de modelos de decisão em árvore. O classificador, J48, utiliza uma tecnologia gulosa (tecnologia que segue a resolução de problemas com a heurística de fazer a escolha localmente ótima em cada fase com a esperança de encontrar um ótimo global) para induzir árvores de decisão para posterior classificação. O modelo de árvore de decisão é construído pela análise dos dados de treino e o modelo utilizado para classificar dados ainda não classificados. O J48 gera árvores de decisão, em que cada nó da árvore avalia a existência ou significância de cada atributo individual. As árvores de decisão são construídas do topo para a base, através da escolha do atributo mais apropriado para cada situação (Martins, Marques, & Costa, 2009) Métricas de avaliação do classificador As métricas utilizadas para a análise do desempenho do classificador denotadas dos conceitos de [HSU, CHANG e LIN 2010], elas são: Verdadeiro Positivo (número de instâncias corretamente classificadas com o aparecimento sendo verdadeiro, ou seja, aparecimento é verdadeiro), Falso Positivo (número de instâncias classificadas com aparecimento sendo falso quando, na realidade, é verdadeiro), Falso Negativo (número de instâncias classificadas com o aparecimento sendo verdadeiro quando, na realidade, era falso) e Verdadeiro Negativo (número de instâncias classificadas corretamente com o aparecimento sendo verdadeiro).

3 A partir os valores dessas métricas é possível calcular também para avaliar o desempenho dos classificadores: Acurácia (reflete a porcentagem de amostras positivas e negativas classificadas corretamente sobre o total de instâncias), Precision (proporção de verdadeiros positivos em relação a todas as predições positivas), Recall (proporção de verdadeiros positivos em relação a suas predições positivas e as suas incorretas predições negativas), F-Measure (proporção de verdadeiros positivos em relação às predições positivas e todas as suas predições negativas) e Taxa de Erro (porcentagem de instâncias que o classificador classificou errado em relação ao total de instâncias). 3. Metodologia Os procedimentos de aprendizagem utilizados para o processo de classificação e previsão das ocorrências do peixe-boi, consistiu em: Preparação dos dados (Levantamento dos dados, estudo da base de dados e alterações nos dados), Testes (execução do treinamento e resultados obtidos) e Avaliação dos resultados obtidos. Estas fases são obrigatórias e essenciais para o bom desempenho do algoritmo Preparação dos dados Como o algoritmo utilizado se refere a um classificador, foi preciso determinar uma classe a partir dos atributos analisados. O atributo escolhido para ser a classe foi o atributo aparecimento, o qual possui os seguintes valores: SIM, NÃO ou TALVEZ. Em que dadas as condições, quando o atributo aparecimento possui valor igual a SIM, significa que o peixe-boi foi visto sob as condições fornecidas. Quando aparecimento possui valor igual a NÃO, o peixe-boi não pode ser visto sob as condições fornecidas. E quando o atributo aparecimento tiver valor TALVEZ, significa que há uma possibilidade do peixe-boi ter sido visto sob as condições fornecidas. A partir da base BDOPB, houve uma divisão da mesma em 03 bases diferentes: Bd1, Bd2 e Bd3. Onde Bd1 é a base original sem alterações, Bd2 foi criada com as mesmas instâncias e os mesmos atributos que a base Bd1, porém nesta base algumas instâncias sofreram alterações. As bases Bd2 e Bd3 são semelhantes à base Bd1 em relação às instâncias e atributos, divergendo-se em relação ao atributo classe,o aparecimento. Em Bd2, as instâncias com a classe igual à TALVEZ, seus valores foram mudados para SIM. Em Bd3, as instâncias com a classe igual à TALVEZ, seus valores foram mudados para NÃO. Após estas alterações feitas, as bases Bd1, Bd2 e Bd3 foram divididas em 06 subbases com 800, 600, 500, 432,200 e 100 instâncias, respectivamente. As instâncias de cada sub-base foram selecionadas de maneira aleatoriamente, este processo foi necessário para verificar melhor o desempenho do algoritmo na classificação Testes Para determinar o desempenho de um classificador é preciso obter uma hipótese válida para outros objetos do mesmo domínio ou problemas que não fazem parte do conjunto de treinamento de aprendizagem. Para isso, o algoritmo precisa ter uma hipótese que apresente uma baixa capacidade de generalização, para que consequentemente não haja nem overffiting (Superajustamento dos dados de treinamento, ou seja, o a l g o r i t m o classifique apenas os dados do conjunto de treinamento) ou underfitting (Subajustamento dos dados, ou seja, o algoritmo apresenta uma baixa taxa de acerto). Os processos de treinamento e aprendizagem foram executados através da ferramenta WEKA [Markov 2006]. A ferramenta analisava os arquivos no formato ARFF (formato aceito pela ferramenta) e estes arquivos possuiam os dados de cada base. O treinamento do algoritmo sob as bases de dados foi feito repetidas vezes para que fosse possível gerar uma hipótese com boa capacidade de generalização e uma alta taxa de

4 acerto. E com isso, conseq u en tement e, o algori tmo f osse capaz de classificar corretamente as ocorrências do peixe- boi marinho. Para evitar problemas na classificação das instâncias, que o classificador fosse capaz de classificar instâncias fora do seu escopo de treinamento e obtivesse uma alta taxa de acerto, o algoritmo foi treinado com cross-validation (particionamento do conjunto de dados em subconjuntos mutualmente exclusivos, e posteriormente, utilizando alguns destes subconjuntos para a estimação dos parâmetros de um modelo matemático (dados de treinamento) e o restante dos subconjuntos (dados de validação ou de teste) são empregados na validação do modelo) [Teufel e Moens 2002]. Em cada execução, o treinamento foi feito com cross- validation de 10% do total de instâncias e 90% para a classificação. O J48 calculou o ganho de informação de cada um dos atributos, os índices das métricas de avaliação do classificador, as matrizes de confusão baseadas em outras métricas de desempenho e gerou árvores de decisão a partir dos dados analisados. 4. Resultados Com os processos descritos nas seções anteriores feitos e os resultados da aprendizagem gerados. Será discutido neste tópico os resultados das execuções analisando a descoberta da base, o desempenho do algoritmo e o melhor resultado de classificação Descoberta do conhecimento da base de dados Para a avaliação do desempenho do J48, foram utilizados as métricas de Verdadeiros Positivos e Falsos Positivos. E a partir delas foram calculadas: a Precision, o Recall, o F- Measure, a Acurácia e a Taxa de Erro. Com a analise dos resultados, foi possível notar que o classificador apresentou boas taxas de desempenho em relação a todas as bases de dados testadas, tendo sua melhor classificação na base Bd2, apresentando uma ótima Acurácia de aproximadamente 99,3% e as outras métricas também com valores elevados. O desempenho mais baixo do algoritmo comparado as outras bases ocorreu com a base Bd1 6 com Acurácia de apenas 76% e com Taxa de Erro de 24%. As outras métricas que mostram o bom desempenho do classificador (VP, Precision, Recall e F- Measure) foram entre 74 a 76%. Esta base trata-se de uma sub-base de Bd1, constituída de 100 instâncias e com atributo classe aparecimento com três valores: SIM, NÃO ou TALVEZ, que são fatores que podem ter influenciado no baixo valor da taxa de acerto Desempenho geral do classificador Outra análise do classificador que pode ser feita é em relação a todas as informações analisadas. Os resultados ger ados podem s er vistos na Tabela 1, e a partir dos mesmos, extrair padrões a respeito do desempenho classificador na classificação. Não é em todas as bases que o J48 apresenta um bom desempenho, isso ocorre nas sub-bases, devido a pouca quantidade de instâncias para reforçar uma boa classificação. Outra analise que pode ser feita do conjunto de dados é em relação a quantidade de instâncias, em que quanto maior o número de instâncias, maior é a Acurácia e desempenho do classificador. O mesmo acontece quando o atributo classe possui apenas dois valores de classificação. Com os resultados da Tabela 1, podemos ver que o classificador mostra seus melhores resultados na base Bd2, apresentando ótimos valores nos avaliadores positivos de desempenho. E sobre todas as informações de classificação, temos como valores gerais no desempenho de classificação do J48: VP de 90,3%, FP de 5% Precision de 94,6%, Recall de 91,3%, F-Measure de 91% e Acurácia de 91,7% e Taxa de Erro de 8,3%.

5 Tabela 1. Resultados do algoritmo sobre as bases de testes BD VP FP PRECISION RECALL F- MEASURE ACURÁCIA Bd % (816) Bd % (756) Bd % (549) Bd % (451) Bd % (397) Bd % (164) Bd % (76) Bd % (858) Bd % (778) Bd % (568) Bd % (480) Bd % (404) Bd % (196) Bd % (97) Bd % (817) Bd % (752) Bd % (550) Bd % (470) Bd % (393) Bd % (184) Bd % (83) TAXA DE ERRO 5.6% (48) 5.5% (44) 8.5% (51) 9.8% (49) 8.1% (35) 18% (36) 24% (24) 7% (7) 2.7% (22) 5.3% (32) 4% (20) 6.5% (28) 1.5% (4) 3% (3) 5.4% (47) 6% (48) 8.3% (50) 6% (30) 9% (39) 8.5% (17) 17% (17) 4.3. Análise do melhor resultado Com base nos resultados vistos na Tabela 1, podemos perceber que entre todas as bases analisadas, houve uma base em que o classificador J48 obteve seu melhor resultado na descoberta do conhecimento das ocorrências do peixe-boi marinho, este melhor resultado encontra-se na base Bd2, constituída por 864 instâncias e nove atributos, possuindo seu atributo classe apenas dois valores, SIM ou NÃO. O algoritmo J48 obteve seu melhor resultado na base de dados Bd2 t a n t o na taxa de A curácia, c o m o também em todas as outras medidas de desempenho analisadas. Tanto nas medidas positivas com altas taxas de acertos, quanto nas taxas negativas, sendo estas com valores bem baixos, resultando em uma ótima classificação, chegando a quase 100% da descoberta do conhecimento da base testada. Em relação à base Bd2, o classificador conseguiu classificar corretamente 858 instâncias, resultando em na Acurácia de 99,3% e apenas 06 incorretamente. 5. Conclusão Devido ao problema das ocorrências do aparecimento do peixe-boi marinho, foi visto uma solução através do aprendizado de máquina para detectar condições favoráveis ao aparecimento deste animal, sendo aplicado no estuário dos rios Timonha e Ubatuba, mas podendo alcançar futuramente outros ambientes e outros animais. Vimos através deste trabalho que através de um algoritmo supervisionado, o J48, f o i possível extrair um determinado conhecimento e padrões de uma base de dados. Com a execução do J48 na mineração dos dados da BDOPB, foi possível fazer a previsão do aparecimento do

6 peixe-boi m a r i n h o e relatar quando houve sua presença sob as condições analisadas, como pode ser visto na Tabela 2. O algoritmo J48 obteve uma média geral em relação à classificação dos dados de aproximadamente 92%, ou seja, o algoritmo conseguiu de modo geral absorver 92% do conhecimento da base de dados das ocorrências do peixe-boi marinho entre todas as diferentes bases de dados e suas sub-bases, testadas e analisadas em todo o experimento, gerando sob sua classificação um grau de confiabilidade razoável nesta pesquisa. O classificador nos permitiu também, através do ganho de informação dos atributos referente às ocorrências do peixe-boi marinho, saber quais entre os fatores abióticos analisados são influentes no aparecimento dos peixes-boi, foram eles: a salinidade da água, a temperatura da água e a data de aparição. Tabela 2. Resultado Geral de Desempenho do Classificador AVALIADORES 6. Referências Bibliográficas RESULTADOS VP FP Precision Recall F- Measure Acurácia Taxa de Erro Coppin, Ben. Inteligência artificial. Rio de Janeiro: LTC, Han, J.; Kamber, M. Data Mining - Concepts and Techniques. San Francisco - USA: Morgan Kaufmann, 2006.INSTITUTO BRASILEIRO DO CAFÉ.. Rio de Janeiro: IBC/GERCA, p Hsu, Chih-wei; CHANG, Chih-chung; LIN, Chih-jen. A Practical Guide to Support Vector Classification. Bioinformatics, v. 1, p.1-16, Iucn. International Union for the Conservation of Nature and Natural Resources. Red List of Threatened Species, Lima, R.P. Peixe-boi-marinho (Trichechus manatus): distribuição, status de conservação e aspectos tradicionais ao longo do litoral nordeste do Brasil. Série Meio Ambiente em Debate, n. 30, 76p. Brasília: Edições IBAMA, Markov, Z. Russell,I. An Introduction to the WEKA Data Mining System. Proceedings of the 11th annual SIGCSE conference on Innovation and technology in computer science education. P Bologna, Italy, Martins, A.C.; Marques, J.M.; Costa, P.D. Estudo comparativo de três algoritmos de machine learning na classificação de dados electrocardiográficos. Faculdade de Medicina da Universidade do Porto, Porto, POR, Teufel, S.; Moens, M. (2002). Summarising Scientific Articles Experiments with Relevance and Rhetorical Status. In: Computational Linguistics, 28(4), p Witten, I.H. and Frank, E. (2005) Data Mining: Practical machine learning tools and techniques. In 2nd edition Morgan Kaufmann, San Francisco.