Análise Formal de Árvores de Decisão e Florestas Aleatórias: Problemas de Classificação Multiclasses
Árvores de Decisão; Redes de Petri Coloridas; Aprendizagem de Máquina; Florestas Aleatórias.
Esta proposta de dissertação tem como objetivo principal aprimorar a explicabilidade e o desempenho de modelos baseados em Árvores de Decisão (Decision Trees - DT) e Florestas Aleatórias (Random Forest - RF) no contexto de problemas de classificação multiclasse. Utilizando métodos formais, como Redes de Petri Coloridas (Coloured Petri Nets - CPN), busca-se superar limitações existentes, especialmente em setores de alta criticidade, como o da saúde, onde a justificativa e a confiança nas decisões são fundamentais. A metodologia inclui a revisão do estado da arte, com o desenvolvimento de soluções adaptadas para classificação multiclasse e validação por meio de estudos de caso utilizando bases de dados médicas. Com essa abordagem, pretende-se contribuir para diagnósticos mais precisos e confiáveis, promovendo avanços significativos no uso da aprendizagem de máquina na área da saúde.