Avaliação das Técnicas Gulosa e Probabilística no Desempenho do Algoritmo de Otimização de Colônia de Formigas

Abstract

O Big Data Analytics e os algoritmos de Aprendizado de Máquina enfrentam desafios significativos ao lidar com grandes volumes de dados, tornando as técnicas de pré-processamento essenciais nesse contexto. Uma dessas técnicas é a Seleção de Instâncias, que identifica as instâncias mais relevantes em uma base de dados. Este estudo compara duas abordagens do algoritmo de Otimização por Colônia de Formigas (ACO) para a seleção de instâncias: a heurística gulosa e a abordagem probabilística. Em 16 bases de dados, a abordagem gulosa reduziu o tamanho das bases em média 50% e apresentou um tempo de execução quase pela metade em relação à abordagem probabilística.