Resumo
As Ma´quinas de Vetores Suporte (SVM), amplamente difundidas em reconhecimento de padro˜es, possuem um formulac¸a˜o aplicada a` tarefas de regressa˜o, chamada de Regressores de Vetores Suporte (SVR). O modelo e´ obtido pela resoluc¸a˜o de um problema de otimizac¸a˜o quadra´tica que envolve encontrar os valores dos multiplicadores de Lagrange e o vie´s. Os me´todosamplamenteutilizados,consideradosestadodaarte,pararesoluc¸a˜odetalproblemade otimizac¸a˜o quadra´tica sa˜o, a saber: Sequential Minimal Optimization (SMO), Iterative Single Data Algorithm (ISDA) e me´todos cla´ssicos de Programac¸a˜o Quadra´tica (QP). Estrate´gias evoluciona´rias, como teˆmpera simulada, programac¸a˜o gene´tica, algoritmos gene´ticos dentre outros, quando combinadas com aprendizado de ma´quina compreendem a a´rea chamada Aprendizado de Ma´quina Evoluciona´rio. Os trabalhos nesta a´rea focam, prioritariamente, em treˆs aspectos: otimizac¸a˜o de paraˆmetros, selec¸a˜o de atributos ou ainda encontrar um conjunto reduzido de vetores suporte em SVMs. Esta dissertac¸a˜o propo˜e resolver a formulac¸a˜o dual do problema de otimizac¸a˜o quadra´tica inerente a` SVR atrave´s de Algoritmos Gene´ticos, que sa˜o metaheur´ısticas que exploram o espac¸o de busca de forma na˜o exaustiva e sa˜o comumente aplicadasemproblemasdeotimizac¸a˜o. Nestetrabalhofoirealizadoumestudocomparativodos me´todosdetreinamentodeSVReapresentadaumanovapropostadetreinamento,denominada RegressordeVetorSuporteEvoluciona´rio. Apropostafoivalidadaemconjuntosdedadosreais eseusresultadoscomparadoscomosme´todosestadodaartemencionadosanteriormente(SMO, ISDA,QP).Aana´lisedosresultadosrevelaramqueapropostasemostrabastantepromissora,ao passo que reduz o erro de generalizac¸a˜o e aumenta a esparsidade na maioria dos experimentos realizados