Se um sistema consegue trabalhar bem, ao mesmo tempo com dados sint´eticos e dados reais possivelmente ser´a completo.
As bases de dados reais utilizadas nesta disserta¸c˜ao foram obtidas do reposit´orio UCI [AHA87] e s˜ao: Balance Scale, Contraceptive Method Choice, Dermatology, Diabetes e Glass.
1. Balance Scale: Este conjunto de dados foi gerado como resultado experimental de modelos psicol´ogicos, onde o exemplo ´e classificado como tendo o equil´ıbrio da escala para a ponta direita, ponta esquerda ou ser equilibrado. Os atributos s˜ao: o peso esquerdo, a distˆancia esquerda, o peso direito, bem como a distˆancia direita. A forma correta para encontrar as classes ´e maior da (distˆancia-esquerda * peso- esquerdo) e (distˆancia-direita * peso-direito). Se os resultados dos dois produtos s˜ao iguais, o exemplo ´e classificado como balanceado.
A base de dados Balance Scale ´e formada por 625 registros (indiv´ıduos) com 4 atributos e que correspondem `as informa¸c˜oes da escala de equil´ıbrio (balan¸ca):
Peso esquerdo; Distˆancia esquerda; Peso direito;
Distˆancia direita.
A an´alise dos dados foram realizadas a partir de um algoritmo que gerou resultados entre 1 e 3, sendo assim:
O valor 1 (um) representa que a escala est´a balanceada - 49 registros (7.84%); O valor 2 (dois) representa que a escala est´a `a esquerda - 288 registros (46.08%). O valor 3 (trˆes) representa que a escala est´a `a direita - 288 registros (46.08%).
2. Contraceptive Method Choice: A base de dados Contraceptive Method Choice foi obtida para prever a escolha do m´etodo contraceptivo atual (sem uso, m´etodos de longo prazo e m´etodos a curto prazo) de uma mulher com base nas suas caracter´ısti- cas econˆomicas e s´ocio-demogr´aficas. Este conjunto de dados ´e um subconjunto da pesquisa nacional de m´etodos contraceptivos da indon´esia em 1987. As amostras s˜ao mulheres casadas que n˜ao est˜ao gr´avidas ou n˜ao estavam no momento da entrevista. A base de dados Contraceptive Method Choice ´e formada por 1473 registros (in- div´ıduos) com 9 atributos de entrada e um atributo de classe que corresponde as informa¸c˜oes de um m´etodo contraceptivo:
Idade da esposa (num´erico);
Educa¸c˜ao da esposa (ordinal) 1 = baixo; 2, 3 e 4 = alto; Educa¸c˜ao do Marido (ordinal) 1 = baixo; 2, 3 e 4 = alto; N´umero de crian¸cas que j´a nasceram (num´erico);
Religi˜ao da esposa (bin´ario) 0 = N˜ao ´e isl˜a e 1 = Isl˜a;
A esposa est´a trabalhando agora? (bin´ario) 0 = Sim e 1 = N˜ao; A ocupa¸c˜ao do marido (categ´orico) 1, 2, 3 e 4;
O ´ındice do padr˜ao de vida (ordinal) 1 = baixo; 2, 3 e 4 = alto; Exposi¸c˜ao de m´ıdia (ordinal) 0 = Bom e 1 = N˜ao ´e bom;
M´etodo contraceptivo utilizado (atributo de classe) 1 = n˜ao usa, 2 = de longo
prazo e 3 = de curto prazo.
3. Dermatology: Esta base de dados tem como objetivo determinar o tipo de doen¸ca Eryhemato-escamosas, que ´e um problema real em dermatologia. Todas essas doen¸cas compartilham caracter´ısticas cl´ınicas do eritema e descama¸c˜ao, isto com pouca diferen¸ca. As doen¸cas neste grupo s˜ao psor´ıase, dermatite seborr´eica, plano l´ıquen, pitir´ıase r´osea, dermatite crˆonica e pitir´ıase rubra pilar. Normalmente, uma bi´opsia ´e necess´aria para o diagn´ostico, mas infelizmente, estas doen¸cas comparti- lham muitas caracter´ısticas histopatol´ogicas. Outra dificuldade para o diagn´ostico ´e que a doen¸ca deve mostrar as caracter´ısticas de outras doen¸cas na fase inicial e tamb´em nas fases seguintes. Os pacientes foram primeiramente avaliados e clini- camente referidos com 12 caracter´ısticas. Posteriormente, amostras de pele foram levadas para a avalia¸c˜ao de 22 caracter´ısticas histopatol´ogicas. Os valores das ca- racter´ısticas histopatol´ogicas s˜ao determinados pela an´alise das amostras ao micros- c´opio.
O conjunto de dados constru´ıdo para este dom´ınio, tem o hist´orico de caracter´ısticas familiar com valor 1, se qualquer destas doen¸cas tem sido observada na fam´ılia e 0 caso contr´ario. A caracter´ıstica idade representa simplesmente a idade do paciente. Todas as outras caracter´ısticas (cl´ınica e histopatol´ogica) foram dadas por grau na escala de 0 at´e 3. Assim, 0 indica que a caracter´ıstica n˜ao estava presente, 3 indica a maior quantidade poss´ıvel, e por fim, 1 e 2 indicam os valores intermedi´arios relativos.
A base de dados Dermatology ´e formada por 366 registros (indiv´ıduos) com 33 atributos e que correspondem `a informa¸c˜oes da dermatologia:
Atributos Cl´ınicos: (assumem valores 0, 1, 2 e 3; exceto quando indicado): Eritema, Expans˜ao, Fronteiras definitivas, Fenˆomeno Koebner, P´apulas poligonais, P´apulas foliculares, O envolvimento da mucosa oral, O envolvimento do joelho e cotovelo, O envolvimento do couro cabeludo, O hist´orico familiar (0 ou 1) e a Idade (linear). Atributos Histopatol´ogicos: (assumem valores 0, 1, 2 e 3): Inconsistˆencia da melani- na, Fibrose da derme papilar, Exocitose, Acantose, Hiperceratose, Paraqueratose, Alongamento das cristas epiteliais, P´ustula espongiforme, O desaparecimento da camada granular, Danos e vacuoliza¸c˜ao da camada basal, Espongiose e a Paraque- ratose perifolicular.
A an´alise dos dados foram realizadas a partir de um algoritmo o qual gerou resul- tados entre 1 e 6, sendo assim:
O valor 1 (um): indica que o paciente possui psor´ıase - 112 registros (30.60%); O valor 2 (dois): indica que o paciente possui dermatite seborr´eica - 61 registros
(16.66%);
O valor 3 (trˆes): indica que o paciente possui o plano l´ıquen - 72 registros
(19.67%);
O valor 4 (quatro): indica que o paciente possui pitir´ıase r´osea - 49 registros
(13.38%);
O valor 5 (cinco): indica que o paciente possui dermatite crˆonica - 52 registros
(14.20%);
O valor 6 (seis): indica que o paciente possui pitir´ıase rubra pilar - 20 registros
(5.49%).
4. Diabetes: Esta base de dados ´e conhecida na UCI Machine Learning Repository [AHA87] como Pima Indians Diabetes Data Set. A base de dados Diabetes foi extra´ıda de dados pessoais bem como exames m´edicos de pacientes. Ela ´e ´util para a classifica¸c˜ao da possibilidade de uma ´ındia Pima ser diab´etica. Neste conjunto de dados, todos os pacientes s˜ao mulheres com a idade m´ınima de 21 anos e per- tencentes da linhagem de ´Indios Pima, os quais sobrevivem pr´oximos a Phoenix, Arizona, USA.
A base de dados Diabetes ´e composta por 768 registros (indiv´ıduos) com 8 atributos cont´ınuos e que correspondem `as informa¸c˜oes m´edicas:
A concentra¸c˜ao de glicose no plasma em teste de tolerˆancia de glicose oral de
2 horas;
A press˜ao sangu´ınea m´ınima (mm/Hg);
As aplica¸c˜oes que s˜ao feitas de 2 em 2 horas de soro com insulina (um U/ml); O ´ındice de massa corp´orea (peso em Kg / altura (em m
2));
A idade de uma paciente (anos).
Tal conjunto de dados tem por finalidade registrar se os pacientes observados a- presentam sinais de diabetes de acordo com os crit´erios definidos pela Organiza¸c˜ao Mundial de Sa´ude; e se depois de 2 horas de aplicado o plasma glicose existem pelo menos 200 mg/ml sob qualquer exame, ou seja, de rotina ou n˜ao; assim, correspon- dendo a duas classes bin´arias.
Dessa forma, a an´alise dos dados foram realizadas a partir de um algoritmo, o qual gerou resultados cont´ınuos. Estes valores cont´ınuos foram transformados em valores bin´arios entre 0 e 1 com valor de corte = 0.448, sendo assim:
O valor 0 (zero): representa que o paciente n˜ao possui diabetes - 500 registros
(65.1%);
O valor 1 (um): representa que o paciente possui diabetes - 268 registros
(34.9%).
5. Glass: Esta base de dados ´e conhecida na UCI Machine Learning Repository [AHA87] como Glass Identification Data Set. A base de dados Glass foi extra´ı- da a partir dos servi¸cos de ciˆencia da Forensic, USA, onde existem seis tipos de vidro definidos em termos do seu conte´udo de ´oxido.
Neste conjunto de dados foi realizado um teste comparativo de um sistema baseado em regras BEAGLE (´e um produto dispon´ıvel por meio da consultoria VRS), atrav´es do algoritmo de vizinho mais pr´oximo e an´alise discriminante, com o objetivo de determinar se o vidro pertence a um tipo ”float”ou n˜ao, os seguintes resultados foram obtidos (respostas incorretas):
Janelas que foram processadas com o tipo ”float”(87); Janelas que n˜ao foram processadas com o tipo ”float”(76).
O estudo de classifica¸c˜ao deste tipo de vidro foi motivado por uma investiga¸c˜ao criminol´ogica, em que foram feitos v´arios testes sobre o vidro. A base de dados Glass ´e formada por 214 registros (indiv´ıduos) com 11 atributos cont´ınuos (incluindo o atributo de classe) e que correspondem `as informa¸c˜oes de vidro:
N´umero do ID: 1 at´e 214; RI: ´ındice de refrac¸c˜ao;
Na: S´odio (unidade de medida: percentual em peso de ´oxido, correspondente
aos atributos de 4 at´e 10);
Mg: Magn´esio; Al: Alum´ınio; Si: Sil´ıcio; K: Pot´assio; Ca: C´alcio; Ba: B´ario; Fe: Ferro;
Tipo de vidro: janelas de edif´ıcio processadas com o tipo ”float”, janelas de
edif´ıcio n˜ao processadas com o tipo ”float”, janelas de ve´ıculo processadas com o tipo ”float”, janelas de ve´ıculo n˜ao processadas com o tipo ”float”, lou¸cas e far´ois.
Este conjunto de dados tem por finalidade verificar se o vidro pertence a um tipo espec´ıfico ou n˜ao espec´ıfico (”float”) com os crit´erios definidos pelo estabelecimento central de pesquisa (servi¸cos de ciˆencia de Forensic); assim, correspondendo a seis classes.