OTIMIZAÇÃO DE FUNÇÕES RACIONAIS COMO FUNÇÕES DE KERNEL EM MÁQUINAS DE VETORES DE SUPORTE
Inteligência Artificial; Otimização; Máquinas de Vetores de Suporte; Funções de Kernel; Funções Racionais.
O aprendizado de máquina, ramo da inteligência artificial, concentra-se na criação de sistemas computacionais baseados em modelos matemáticos capazes de aprender padrões e tomar decisões a partir de dados. Diferentemente da programação explícita, esses sistemas utilizam abordagens estatísticas para identificar relações complexas nos dados e gerar previsões. Nesse contexto, destaca-se o desenvolvimento de algoritmos que modelam interações não lineares por meio de dados, como as Máquinas de Vetores de Suporte (SVM). Fundamentadas em princípios teóricos da aprendizagem de máquina, as SVMs são modelos supervisionados reconhecidos por sua eficiência em classificação, ao determinar o hiperplano ótimo que delimita classes em conjuntos de dados rotulados. Sua versatilidade em cenários diversos deve-se à capacidade de generalização e adaptação a funções de decisão não lineares. Um elemento crucial para tratar problemas não lineares é a seleção da função de kernel, que calcula produtos internos em espaços de alta dimensionalidade, permitindo que modelos lineares capturem relações não lineares após transformações implícitas dos dados. Embora o kernel de Função de Base Radial (RBF) seja tradicionalmente predominante, este estudo investiga a aplicabilidade de funções racionais — definidas pela razão entre polinômios — como funções de kernel, aprimoradas via Evolução Diferencial. O objetivo principal é desenvolver uma metodologia automatizada para aprendizagem de kernels racionais, avaliando sua viabilidade em comparação a funções de kernels tradicionais e metodologias referências da literatura em termos de desempenho, convergência, complexidade e generalização.