Inteligência Computacional [2COP229]
|
|
- Manoel Vidal Paiva
- 5 Há anos
- Visualizações:
Transcrição
1 Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr
2 (2/41) Tema Aula Árvores de Decisão
3 Aula- Árvore de Decisão (3/41) Sumário Introdução Indução de Árvores de Decisão Vantagens o uso de Árvores de Decisão Desvantagens do uso de Árvores de Decisão Poda em Árvores de Decisão
4 Aula- Árvore de Decisão (4/41) Introdução A construção de modelos computacionais de classificação geralmente emprega dois paradigmas alternativos: Top-down: Onde a obtenção do modelo de classificação é realizado a partir de informações fornecidas pelo especialista. Bottom-up: A obtenção do modelo de classificação é feita pela identificação de relacionamentos entre variáveis dependentes e independentes em bases de dados rotuladas. O classificador é induzido por mecanismos de generalização fundamentados nos exemplos. Árvores de Decisão são fundamentadas podem ser criadas por ambos os paradigmas.
5 Aula- Árvore de Decisão (5/41) Introdução As Árvores de Decisão podem ser utilizadas para dois diferentes propósitos: Modelagem descritiva: Um modelo de classificação é utilizado como uma ferramenta para distinguir diferentes exemplos de classes e quais atributos são úteis. Modelagem preditiva: Um modelo de classificação é utilizado para classificar exemplos cujas classes são desconhecidas. Diferente do k-nn, Redes Neurais Artificiais e Máquinas de Vetores de Suporte (SVM), as Árvores de Decisão são representadas por meio de regras.
6 Introdução Aula- Árvore de Decisão (6/41)
7 Aula- Árvore de Decisão (7/41) Introdução Uma vez construída uma Árvore de Decisão, seu uso é imediato e computacionalmente rápido. A construção da árvore demanda um custo computacional elevado. Uma árvore de decisão utiliza uma estratégia de dividir-para-conquistar, dividindo o problema em sub-problemas. A capacidade de discriminação da árvore vem da divisão do espaço definido pelos atributos em subespaços e cada subespaço está associado a uma classe.
8 Introdução Aula- Árvore de Decisão (8/41)
9 Aula- Árvore de Decisão (9/41) Introdução Entre os algoritmos mais conhecidos de árvore de decisão temos: CART (Breiman, 1984) ID3 (Quinlan, 1986) C4.5 (Quinlan 1993) A base do algoritmo para a criação de uma árvore de decisão é: 1. Escolher um atributo; 2. Estender a árvore adicionando um ramo para cada valor do atributo; 3. Passar os exemplos para as folhas (considerando o atributo) 4. Para cada folha: Se os exemplos são da mesma classe, associar; Senão repetir passos 1 a 4;
10 Aula- Árvore de Decisão (10/41) Funções de Mérito As funções de mérito indicam quais conjuntos de atributos tem utilidade para a separação das classes; Existem principalmente as seguintes funções de mérito: Diferença de distribuição no nó pai e subconjuntos obtidos baseados em proporções de classe (ex.entropia). Diferença entre os subconjuntos divididos com base na proporção como distância ou ângulo, enfatizando a disparidade entre os subconjuntos. Medidas estatísticas independentes entre classes e subconjuntos. (ex.chi-quadrado χ 2 ) Os algoritmos J48 e C4.5 implementam regras baseadas no Ganho de Informação.
11 Aula- Árvore de Decisão (11/41) Funções de Mérito O Ganho de Informação tem como kernel a Entropia. A Entropia mede a aleatoriedade dos dados e é calculada como: H(A) = i p i log 2 p i, onde p é a probabilidade de observar um dado valor A. A cada nó de decisão, o atributo que mais reduz a aleatoriedade da variável alvo será escolhido para dividir os dados. O Ganho de Informação mede a redução na Entropia. O Ganho de informação é obtido como: IG(A, p, q) = I (p, q) E(A, p, q), sendo p e q o número de objetos de duas classes diferentes.
12 Aula- Árvore de Decisão (12/41) Funções de Mérito Suponha que o problema de decisão é quando alguém joga ou não um dado esporte pelas condições do tempo. O problema é definido por quatro atributos de entrada: TEMPO, TEMPERATURA, UMIDADE e VENTO. O conjunto de treinamento contém 14 exemplos que descrevem observações de indivíduos (Jogar) dada as condições do tempo. Qual o valor que melhor discrimina as classes?
13 Aula- Árvore de Decisão (13/41) Funções de Mérito Tempo Temperatura Umidade Vento Jogar Chuvoso Sim Não Ensolarado Não Sim Ensolarado Sim Não Nublado Não Sim Chuvoso Não Sim Chuvoso Sim Não Nublado Sim Sim Nublado Sim Sim Ensolarado Sim Sim Chuvoso Não Sim Nublado Não Sim Ensolarado Não Não Ensolarado Não Não Chuvoso Não Sim
14 Aula- Árvore de Decisão (14/41) Funções de Mérito A entropia da classe para o conjunto de exemplos é: p(jogar=sim) = 9/14 p(jogar=não) = 5/14 H(Jogar) = 9/14 log2 (9/14) 5/14 log 2 (5/14) = 0, 94
15 Aula- Árvore de Decisão (15/41) Funções de Mérito Ganho de Informação para Atributo Nominal, deve-se dividir o conjunto pelos valores do atributo e classe: Probabilidade para o Tempo = Ensolarado p(jogar=sim Tempo=Ensolarado)= 2/5 p(jogar=não Tempo=Ensolarado)= 3/5 Entropias (H): H(Jogar Tempo = Ensolarado) = 2/5 log 2(2/5) 3/5 log 2(3/5) = 0, 971 H(Jogar Tempo = Nublado) = 0,0 H(Jogar Tempo = Chuvoso) = 0,971 A entropia ponderada para o tempo é: H(Tempo) = 5/14 0, / /14 0, 971 = 0, 693 IG(Tempo) = 0, 940 0, 693 = 0, 247
16 Aula- Árvore de Decisão (16/41) Funções de Mérito Ganho de Informação para Atributo Contínuo usa a estratégia para conjuntos em que atributo valor e atributo > valor. Considere o teste Temperatura = 70,5. Temperatura > 70,5 = Verdadeiro{Sim(5), Não(4)}, Falso{Sim(4), Não(1)} p(jogar=sim Temperatura 70,5)= 4/5 p(jogar=não Temperatura 70,5)= 1/5 p(jogar=sim Temperatura>70,5)= 5/9 p(jogar=não Temperatura>70,5)= 4/9 H(Jogar Temperatura 70,5) = 4/5 log 2 (4/5) 1/5 log 2 (1/5) = 0, 721 H(Jogar Temperatura>70,5) = 5/9 log 2 (5/9) 4/9 log 2 (4/9) = 0, 991 H(Temperatura) = 5/14 0,721+9/14 0,991= 0,895 IG(Temperatura) = 0,940-0,895 = 0,045
17 Funções de Mérito Aula- Árvore de Decisão (17/41)
18 Aula- Árvore de Decisão (18/41) Outras - Funções de Mérito Critério de impureza de Gini (Gini impurity) [CART] GINI (t) = 1 j [p(j t)] 2 Entropia [ID3 e C4.5] GINI split = 1 k j n i GINI (i) n H(t) = i p(j t)log 2 (p(j t) Gain split = H(p) ( k j=1 n i n H(i))
19 Aula- Árvore de Decisão (19/41) Outras - Funções de Mérito Erro de Classificação Error(t) = 1 max[p(j t)] Chi-squared (χ 2 )] GINI split = 1 k j n i GINI (i) n G 2 (a i, S) = 2ln(2) S.Gain(a i, S)
20 Aula - Árvore de Decisão (poda) Aula- Árvore de Decisão (20/41)
21 Aula- Árvore de Decisão (21/41) Critérios de Parada 1. Todas as instâncias pertencem a mesma classe; 2. A profundidade máxima foi alcançada; 3. O número de casos de um nó terminal é menor do que o mínimo dos nós pais; 4. O número de casos em um nó é menor do que o parametrizado; 5. O critério (mérito) não é melhor do que um limiar estabelecido;
22 Aula- Árvore de Decisão (22/41) Vantagens do Uso de Árvores Flexibilidade: Árvores não assumem nenhuma distribuição para os dados, são não paramétricos e criam decisões sobre todo o espaço de busca; Robustez: É invariante à transformações monótonas de variáveis de entrada e a sensibilidade à outliers é reduzida; Seleção de Atributos: No processo de construção da árvore são selecionados os atributos mais relevantes; Interpretabilidade: Decisões complexas se tornam pequenas, simples e locais;
23 Aula- Árvore de Decisão (23/41) Desvantagem do Uso de Árvores Replicação: Sofre pela duplicação de testes em ramos distintos da árvores; Valores ausentes: Considerando que é uma hierarquia de testes, se um valor é desconhecido não é possível realizar a predição; Atributos contínuos: O gargalo dos algoritmos são os atributos contínuos. Vários autores recomendam a discretização de valores contínuos; Instabilidade: Pequenas variações no conjunto de treinamento podem significar mudanças grandes na árvore.
24 Desvantagem do Uso de Árvores Aula- Árvore de Decisão (24/41)
25 Aula- Árvore de Decisão (25/41) Aula - Árvore de Decisão (poda) Poda em Árvores de Decisão Métodos de Proda Pré-poda Pos-poda
26 Aula- Árvore de Decisão (26/41) Aula - Árvore de Decisão (poda) Os algoritmos e indução de AD tem como objetivo encontrar árvores ótimas para a minimização do erro na predição; No entanto um segundo objeto é minimizar o tamanho (profunidade) da árvore; Encontrar uma AD ótima é uma tarefa NP-HARD (Hancock et al., 1996). Encontrar a árvore de decisão ótima para problemas pequenos é uma solução viável, no entanto para problemas complexos normalmente são usados heurísticas.
27 Aula- Árvore de Decisão (27/41) Aula - Árvore de Decisão (poda) A poda é uma parte das mais importantes do processo de construção da árvore, principalmente em domínios ruidosos. Os ruídos causam dois problemas: Podem classificar novos objetos em um modo não confiável; Uma árvore induzida tende a ser grande e difícil de interpretação; Os nós mais profundos tem baixa importância pois poucas amostras são classificadas pelas folhas destes; Nós mais profundos refletem mais o conjunto de treinamento (overfitting - superajustamento) e aumentam o nível erro devido a variância.
28 Aula- Árvore de Decisão (28/41) Aula - Árvore de Decisão (poda) Podar uma árvore é trocar nós mais profundos por folhas, minimizando os problemas. Podar uma árvore de decisão certamente irá causar a classificação incorreta de alguns exemplos de treinamento, porém é eficiente na avaliação de novos exemplos.
29 Aula - Árvore de Decisão (poda) Aula- Árvore de Decisão (29/41)
30 Aula- Árvore de Decisão (30/41) Aula - Árvore de Decisão (poda) Podar uma árvore é trocar nós mais profundos por folhas, minimizando os problemas. Podar uma árvore de decisão certamente irá causar a classificação incorreta de alguns exemplos de treinamento, porém é eficiente na avaliação de novos exemplos. Os métodos de poda pode ser divididos em dois grupos: Pré-poda: durante a construção da árvore quando algum critério é atingido; Pós-poda: após a construção observado certos critérios. O importante é estimar o ponto de equiĺıbrio entre a árvore e a estimativa de erro.
31 Aula- Árvore de Decisão (31/41) Aula - Árvore de Decisão (poda) Este tipo de poda conta com regras de para que previnem a construção daqueles ramos que não melhoram a precisão preditiva da árvore; Tem a vantagem de economia de tempo da montagem da árvore; Normalmente temos as seguintes regras de parada: Todas as observações de um nó pertencem a uma mesma classe; Todas as observações alcançando um nó tem mesmo vetor de características (mas não necessariamente pertencem a mesma classe) O número de observações é menor que um certo limiar; O mérito atribuído a todos os possíveis testes que particionaram o conjunto de observações é muito baixo;
32 Aula- Árvore de Decisão (32/41) Aula - Árvore de Decisão (poda) Poda por redução de erro (reduced error) é o método mais comum para as Árvores de Decisão (ex. C4.5); Segundo Quinlan (1988) Construir e podar uma árvore é lento, mas mais confiável ; Um dos métodos mais simples é baseado em duas medidas: Erro estático: É o número de classificações incorretas considerando que todos os exemplos que chegam nesse nó são classificados usando a classificação majoritária da distribuição de classes deste nó; Erro de Backed-up: É a soma das classificações incorretas de todas as subárvores do nó corrente; Se o erro de backed-up é maior ou igual ao erro estático, então o nó é trocado pela folha com a classe majoritária;
33 Aula - Árvore de Decisão (poda) Aula- Árvore de Decisão (33/41)
34 Aula- Árvore de Decisão (34/41) Aula - Árvore de Decisão (poda) A poda por custo de complexidade é um dos mais utilizados; Inicialmente é gerada uma árvore completa e consequentemente uma sequencia de árvores cada vez menores, sendo escolhida uma das subárvores; Este método é baseado em dois parâmetros: taxa de erro R(T) e tamanho da árvore T em termos de folhas. A medida de custo complexidade é: R α (T ) = R(T ) + α T ; O valor de α é a importância relativa do tamanhã da árvore em relação à taxa de erro; A árvore selecionada é a que apresentar o menor R α (T ); Este é o core de funcionamento da árvore CART.
35 Aula- Árvore de Decisão (35/41) CART O algoritmo da CART é: 1. Definir os parâmetros de divisão dos nós filhos; 2. Usar o critério de Gini para seleção de atributos; 3. Repetir o passo anterior até o subset apresentar somente uma classe; 4. Aplicar o processo de poda (pós-poda) para encontrar a árvore com o menor custo, ou seja, menor taxa de erro e menor complexidade. Uma importante característica da CART é que ela tem a capacidade de gerar árvores para Regressão; No caso da regressão cada divisão (split) é feito para minimizar o erro quadrático de cada predição. A predição de cada folha é baseada na média de peso do nó.
36 Aula- Árvore de Decisão (36/41) CART O algoritmo para Regressão é: 1. Iniciar com um único nó contendo todos os exemplos. Calcular m c e S; 2. Se todos os exemplos tiverem o mesmo valor, parar; 3. Caso contrário procurar todos os cortes binários para reduzir S; (Neste etapa pode-se utilizar um limiar ou outros critérios) 4. Para o novo nó voltar para o item 1; Sendo S = c folhas(t ) i C m c = 1 n c (y i m c ) 2 i C y i
37 Aula- Árvore de Decisão (37/41) Aula - Árvore de Decisão (poda) Base carros - Regressão do valor (price) baseado em dois atributos.
38 Aula - Árvore de Decisão (poda) Aula- Árvore de Decisão (38/41)
39 Aula - Árvore de Decisão (poda) Aula- Árvore de Decisão (39/41)
40 Aula - Árvore de Decisão (poda) Aula- Árvore de Decisão (40/41)
41 Aula- Árvore de Decisão (41/41) Fundamentos de Inteligência ArtificialReferências 1. Coppin, B. Inteligência Artificial. LTC Russell, S.; Norvig, P. Artificial Intelligence: a modern approach. Prentice Hall Localização: BC Número de Chamada: R967a 3.ed. 3. Luger, G. F. Inteligência Artificial: estruturas e estratégias para a resolução de problemas complexos.bookman Localização: BC Número de Chamada: L951a 4.ed. 4. Carvalho, André, et al. Inteligência Artificial uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC (2011).
Fundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 10 Modelos Preditivos - Árvore de Decisão 2 de 20 Aula 10 - Árvore de
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Saulo Martiello Mastelini Departamento de Computação - UEL 1 o Semestre Assunto Aula 11 Modelos Preditivos - Árvore de Decisão
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Árvores de Decisão Poda e extensões Prof. Paulo Martins Engel UFRGS 2 Questões sobre Árvores de Decisão Questões práticas do aprendizado de AD incluem: Determinar até quando se
Leia maisÁrvore de Decisão. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE
Árvore de Decisão George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Tópicos Introdução Representando Árvores de Decisão O algoritmo ID3 Definições Entropia Ganho de Informação Overfitting Objetivo
Leia maisAprendizado de Máquina
Aprendizado de Máquina Sistemas de Informação Inteligente Prof. Leandro C. Fernandes Adaptação dos materiais de: Thiago A. S. Pardo, Daniel Honorato e Bianca Zadrozny APRENDIZADO SIMBÓLICO: ÁRVORES DE
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 09 Árvores de Decisão Max Pereira Classificação É a tarefa de organizar objetos em uma entre diversas categorias pré-definidas. Exemplos
Leia maisÁrvores de Decisão. Sistemas Inteligentes
Árvores de Decisão Sistemas Inteligentes Uma Abordagem típica em aprendizagem simbólica Árvores de decisão: inductive decision trees (ID3) Instâncias (exemplos) são representadas por pares atributo-valor
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
Leia maislnteligência Artificial Aprendizagem em IA
lnteligência Artificial Aprendizagem em IA 1 Aprendizagem por que? Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Leia maisInteligência Artificial
Aprendizagem por que? lnteligência Artificial Aprendizagem em IA Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado permite lidar com
Leia maisÁrvores de decisão. Marcelo K. Albertini. 17 de Agosto de 2015
Árvores de decisão Marcelo K. Albertini 17 de Agosto de 2015 2/31 Árvores de Decisão Nós internos testam o valor de um atributo individual ramificam de acordo com os resultados do teste Nós folhas especificam
Leia maisAprendizado em IA. Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação
Aprendizado em IA Prof. Carlos H. C. Ribeiro ITA Divisão de Ciência da Computação Tópicos Agentes baseados em aprendizado Aprendizado indutivo Árvores de decisão Método ID3 Aprendizado em redes neurais
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina écnicas de Classificação Árvores de Decisão Prof. Paulo Martins Engel UFRGS Árvores de Decisão As árvores de decisão (AD) são ferramentas poderosas para classificação cuja maior
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 12 Árvores de Decisão Prof. Augusto Baffa Árvores de Decisão Uma das formas de algoritmo de aprendizado mais simples e de maior sucesso. Uma
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Aula de Hoje. Introdução. Classificação III: Árvores de Decisão
SCC073 Mineração de Dados Biológicos Classificação III: Árvores de Decisão Créditos O material a seguir consiste de adaptações e extensões dos originais: gentilmente cedidos pelo Prof. André C. P. L. F.
Leia maisAprendizado de Máquina
Aprendizado de Máquina Árvores de Decisão Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 28
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 1 Fundamentos de Inteligência Artificial 2 de 18 Sumário Introdução
Leia maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 6) Fundamentação da disciplina Analise de dados Decisões
Leia maisÁrvores de Decisão. Sumario. João Gama Árvores de decisão. Motivação Construção de uma árvore de decisão. Podar a árvore.
Árvores de Decisão João Gama Jgama@ncc.up.pt Sumario Árvores de decisão Motivação Construção de uma árvore de decisão Critérios para seleccionar atributos Entropia Podar a árvore Estimativas de erro Extensões
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 7 Algoritmos de Busca Competitiva 2 de 20 Sumário Introdução Busca Competitiva
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Árvores de Decisão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Árvores de Decisão David Menotti www.inf.ufpr.br/menotti/ci171-182 Árvores de Decisão Agenda Introdução Representação Quando Usar
Leia maisÁrvores de Decisão. Sistemas Inteligentes
Árvores de Decisão Sistemas Inteligentes Exemplos de situações do dia a dia em que a aprendizagem de máquina é importante A partir de informações sobre pacientes relativas a gravidez aprender a prever
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 5 Algoritmos de Busca 2 de 27 Sumário Introdução Gerar e Testar Busca
Leia maisAPRENDIZAGEM DE MÁQUINA
APRENDIZAGEM DE MÁQUINA (usando Python) Thiago Marzagão ÁRVORE DE DECISÃO & VALIDAÇÃO Thiago Marzagão APRENDIZAGEM DE MÁQUINA 1 / 20 árvore de decisão Aulas passadas: queríamos prever variáveis quantitativas.
Leia maisAurora Trinidad Ramirez Pozo Universidade Federal do Paraná
Aurora Trinidad Ramirez Pozo Universidade Federal do Paraná 1 Um dos métodos práticos mais usados Induz funções discretas robustas a ruído Capaz de aprender expressões disjuntivas Se pais = Inglaterra
Leia maisÁRVORES DE DECISÃO PROFA. MARIANA KLEINA
ÁRVORES DE DECISÃO PROFA. MARIANA KLEINA DEFINIÇÃO Uma árvore de decisão é uma ferramenta de suporte à tomada de decisão que usa um gráfico no formato de árvore e demonstra visualmente as condições e as
Leia maisThiago Marzagão 1. 1 Thiago Marzagão (Universidade de Brasília) MINERAÇÃO DE DADOS 1 / 21
MINERAÇÃO DE DADOS Thiago Marzagão 1 1 marzagao.1@osu.edu ÁRVORE DE DECISÃO & VALIDAÇÃO Thiago Marzagão (Universidade de Brasília) MINERAÇÃO DE DADOS 1 / 21 árvore de decisão Aulas passadas: queríamos
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisAprendizado. O que é Aprendizado? Capítulo 5
Aprendizado Capítulo 5 309 O que é Aprendizado?...mudanças que tornam sistemas capazes de adaptar-se e realizar tarefas semelhantes de maneira mais eficiente [Simon] 310 1 Tipos de Aprendizado Refinamento
Leia maisTópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II. Análise de Dados. Sylvio Barbon Junior 29 de julho de 2016 DC-UEL Sylvio Barbon Jr 1
Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II Análise de Dados Sylvio Barbon Junior barbon@uel.br 29 de julho de 2016 DC-UEL Sylvio Barbon Jr 1 Sumário Introdução Caracterização de Dados Exploração de
Leia maisClassificação: Árvores de Decisão e k-nn. Eduardo Raul Hruschka
Classificação: Árvores de Decisão e k-nn Eduardo Raul Hruschka Árvores de Decisão Métodos para aproximar funções discretas, representadas por meio de uma árvore de decisão; Árvores de decisão podem ser
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 8 Análise de Dados 2 de 23 Sumário Introdução Caracterização de Dados
Leia maisÁrvores de Decisão. Sumario. João Gama Árvores de decisão. Motivação Construção de uma árvore de decisão. Podar a árvore.
Árvores de Decisão João Gama Jgama@liacc.up.pt Sumario Árvores de decisão Motivação Construção de uma árvore de decisão Critérios para seleccionar atributos Entropia Podar a árvore Estimativas de erro
Leia maisClassificação: Árvores de Decisão e k-nn. Eduardo Raul Hruschka
Classificação: Árvores de Decisão e k-nn Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Árvores de Decisão K-Vizinhos
Leia maisÁrvores de Decisão. Sarajane M. Peres. março de 2015
Árvores de Decisão Sarajane M. Peres março de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 ROKACH, L. & MAIMON, O. Data Mining with Decision Trees: Theory
Leia maisSCC Capítulo 9 Indução de Árvores de Decisão
Indução de Árvores de Decisão SCC-630 - Capítulo 9 Indução de Árvores de Decisão João Luís Garcia Rosa 1 1 Departamento de Ciências de Computação Instituto de Ciências Matemáticas e de Computação Universidade
Leia maisAprendizagem de Máquina - 2. Prof. Júlio Cesar Nievola PPGIa - PUCPR
Aprendizagem de Máquina - 2 Prof. Júlio Cesar Nievola PPGIa - PUCPR Inteligência versus Aprendizado Aprendizado é a chave da superioridade da Inteligência Humana Para que uma máquina tenha Comportamento
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisMetodologia Aplicada a Computação.
Metodologia Aplicada a Computação gaudenciothais@gmail.com Pré-processamento de dados Técnicas utilizadas para melhorar a qualidade dos dados; Eliminam ou minimizam os problemas como ruídos, valores incorretos,
Leia maislnteligência Artificial Introdução a Aprendizado de Máquina
lnteligência Artificial Introdução a Aprendizado de Máquina 1 Aprendizado por que? Capacidade de aprender é parte fundamental do conceito de inteligência. Um agente aprendiz é mais flexível aprendizado
Leia maisAprendizagem de Máquina. Prof. Júlio Cesar Nievola PPGIA - PUCPR
Aprendizagem de Máquina Prof. Júlio Cesar Nievola PPGIA - PUCPR Introdução Justificativa Recente progresso em algoritmos e teoria Disponibilidade crescente de dados online Poder computacional disponível
Leia maisInteligência Artificial
UFRGS 2 Inteligência Artificial Técnicas de Mineração de Dados Árvores de Decisão Regras de Associação Árvores de Decisão As árvores de decisão (AD) são ferramentas poderosas para classificação cuja maior
Leia mais21/02/17. Aprendendo pelas observações. PCS 5869 lnteligência Ar9ficial. Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa
PCS 5869 lnteligência Ar9ficial Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa Aprendizagem Indu9va Aprendendo pelas observações Idéia: percepção deve ser usada não somente para a atuação
Leia mais24/11/13. Aprendendo pelas observações. PCS 2428 / PCS 2059 lnteligência Ar9ficial. Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa
PCS 2428 / PCS 2059 lnteligência Ar9ficial Prof. Dr. Jaime Simão Sichman Prof. Dra. Anna Helena Reali Costa Aprendizagem Indu9va Aprendendo pelas observações Idéia: percepção deve ser usada não somente
Leia maisÁrvores de decisão e seus refinamentos na predição genômica da resistência à ferrugem alaranjada em café arábica
Árvores de decisão e seus refinamentos na predição genômica da resistência à ferrugem alaranjada em café arábica Ithalo Coelho de Sousa ithalo.coelho@gmail.com Programa de Pós-Graduação em Estatística
Leia maisInteligência Artificial
https://www.pinterest.com/carlymundo/decision-tree-infographics/ Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial
Leia maisArvores de decisão. O que é uma árvore de decisão? Victor Lobo
Arvores de decisão Victor Lobo O que é uma árvore de decisão? Algorítmo para tomar decisões (ou classificar) Modo de representar conhecimento Tem penas? Arcos (resultados ou pertença) Nós (testes, ou conceitos)
Leia maisSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES Profa. Roseli Ap. Francelin Romero Representação de Árvores de Decisão Algoritmo ID3 Conceito de e Ganho de Informação Overfitting Sistemas Inteligentes 1 Sistemas Inteligentes 2
Leia maisÁrvores de Decisão. Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Ciências de Computação
Árvores de Decisão Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Ciências de Computação Rodrigo Fernandes de Mello mello@icmc.usp.br Árvores de Decisão Método
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia maisArvores de decisão. Outras árvores. Outra maneira de ver árvores. Extracção de regras (a partir de árvores) Vantagens das árvores (1)
O que é a árvore de decisão? Arvores de decisão Algorítmo para tomar decisões (ou classificar) Modo de representar conhecimento Tem penas? Arcos (resultados ou pertença) Victor Lobo Nós (testes, ou conceitos)
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisAprendizado de Máquina
Tópicos Aprendizado de Máquina Aula 3 http://www.ic.uff.br/~bianca/aa/. Introdução Cap. (6/03). Classificação Indutiva Cap. (3/03) 3. Cap. 3 (30/03) 4. Ensembles - Artigo (06/04) 5. Avaliação Experimental
Leia maisCombinação de Classificadores (fusão)
Combinação de Classificadores (fusão) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Sistemas com múltiplos classificadores Fusão por voto majoritário voto majoritário ponderado
Leia maisInteligência Artificial
Inteligência Artificial Aula 14 Aprendizado de Máquina Avaliação de s Preditivos (Classificação) Hold-out K-fold Leave-one-out Prof. Ricardo M. Marcacini ricardo.marcacini@ufms.br Curso: Sistemas de Informação
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 2 Agentes Inteligentes 2 de 22 Sumário Introdução Propriedades dos Agentes
Leia maisCLASSIFICADORES ELEMENTARES
CLASSIFICADORES ELEMENTARES Classificação 2 Consiste em tentar discriminar em diferentes classes um conjunto de objetos com características mensuráveis Exemplo: classificação de frutas Forma, cor, sabor,
Leia maisArvores de decisão. O que é uma árvore de decisão? Cap.6 Árvores de Decisão V 3.0, V.Lobo, EN/ISEGI, Victor Lobo
V., V.Lobo, EN/ISEGI, 5 Arvores de decisão Victor Lobo O que é uma árvore de decisão? Algorítmo para tomar decisões (ou classificar) Modo de representar conhecimento Tem penas? Arcos (resultados ou pertença)
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia maisAula 6 Mineração Streams Representação dos Dados. Profa. Elaine Faria UFU
Aula 6 Mineração Streams Representação dos Dados Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof. Andre C. P. L. F. Carvalho Agradecimentos
Leia maisClodoaldo A. M. Lima, Sarajane M. Peres. 26 de agosto de 2015
Classificação - k NN e Decisão Árvores de Clodoaldo A. M. Lima, Sarajane M. Peres 26 de agosto de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 ROKACH,
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação de Árvores
Leia maisMineração de Dados - II
Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II Mineração de Dados - II Sylvio Barbon Junior barbon@uel.br 10 de julho de 2015 DC-UEL Sylvio Barbon Jr 1 Sumário Etapa II Algoritmos Básicos Weka: Framework
Leia maisBusca Competitiva. Inteligência Artificial. Até aqui... Jogos vs. busca. Decisões ótimas em jogos 9/22/2010
Inteligência Artificial Busca Competitiva Aula 5 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia-pos Capítulo 6 Russell & Norvig Seção 6.1 a 6.5 2 Até aqui... Problemas sem interação com outro agente.
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia maisAprendizagem a partir de observações
Aprendizagem a partir de observações Aprendizagem é essencial para ambientes desconhecidos, i.e., quando o projetista não prevê tudo Útil como um método de construção de sistemas i.e., expor o agente à
Leia maisAprendizagem indutiva
Aprendizagem indutiva Inferência indutiva de fatos providos por um professor ou ambiente. O estudo e modelagem desta forma de aprendizagem é um dos tópicos centrais de aprendizagem de máquina. Em aprendizagem
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich/Alceu S. Britto Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação
Leia mais2284-ELE/5, 3316-IE/3
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem Supervisionada 2 Os vários algoritmos de Aprendizagem
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) ÁRVORES DE DECISÃO Plano de Aula Introdução Representação de Árvores
Leia maisMúltiplos Classificadores
Universidade Federal do Paraná (UFPR) Bacharelado em Informátia Biomédica Múltiplos Classificadores David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Múltiplos classificadores Combinação de classificadores
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C.. L. F. de Carvalho Monitor: Valéria Carvalho lanejamento e Análise de Experimentos rincipais tópicos Estimativa do erro artição dos dados Reamostragem
Leia maisAvaliando Hipóteses. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE
Avaliando Hipóteses George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Pontos importantes Erro da Amostra e Erro Real Como Calcular Intervalo de Confiança Erros de hipóteses Estimadores Comparando
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Aula de Hoje. Desempenho de Classificação. Classificação IV: Avaliação de Classificadores
SCC0173 Mineração de Dados Biológicos Classificação IV: Avaliação de Classificadores Créditos O material a seguir consiste de adaptações e extensões dos originais: gentilmente cedidos pelo rof. André C..
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisDescoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Principais tópicos André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Métodos baseados em distância Aprendizado baseado em instâncias Conceitos básicos KNN
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisÍndice. Classificação Supervisionada e Árvores de Decisão. Problema de Classificação. Problema de Classificação 14/06/2017
Índice Classificação Supervisionada e Árvores de Decisão Eduardo Laber 1. Problema de Classificação 2. Árvore de Decisão 1. Preliminares 2. Construindo uma árvore de decisão 3. Definindo atributos de teste
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 15 Árvores de Decisão Árvores de Decisão Uma das formas de algoritmo de aprendizado mais simples e de maior sucesso.
Leia maisAprendizado de Máquinas. Classificadores Lineares
Universidade Federal do Paraná (UFPR) Departamento de Informática Aprendizado de Máquinas Classificadores Lineares David Menotti, Ph.D. web.inf.ufpr.br/menotti Objetivos Introduzir o conceito de classificação
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.5. Support Vector Machines 2.5. Support Vector Machines (SVM) 2.5.2.
Leia mais7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS Autor(es) LIDIA MARTINS DA SILVA Orientador(es) ANA ESTELA ANTUNES DA SILVA 1. Introdução
Leia maisAprendizado por Árvores de Decisão
Universidade Federal de Santa Maria Departamento de Eletrônica e Computação Prof. Cesar Tadeu Pozzer Disciplina de Programação de Jogos 3D E-mail: pozzer@inf.ufsm.br Período: 2006/01 Aprendizado por Árvores
Leia maisBANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING Asterio K. Tanaka
BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING Asterio K. Tanaka http://www.uniriotec.br/~tanaka/tin0036 tanaka@uniriotec.br Introdução a Data Mining Árvores de Decisão Categorização de Dados Parte II Rogério
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisAgregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta (luizfsc@icmc.usp.br) Sumário 1. Motivação 2. Bagging 3. Random Forest 4. Boosting
Leia maisConteúdo da Apresentação
Máquina de Vetor Suporte (SVM) para Classificação em Múltiplas Classes Adriana da Costa F. Chaves Conteúdo da Apresentação Introdução Métodos para Classificação em Múltiplas Classes Decomposição um por
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 11 Aprendizado de Máquina Edirlei Soares de Lima Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisTópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da. Sylvio Barbon Jr
Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/20) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Referências
Leia mais