Aprendizagem de Máquina
|
|
- Manuella Lencastre
- 5 Há anos
- Visualizações:
Transcrição
1 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 vantagem é a sua expressividade, já que elas representam um conjunto consistente de regras de classificação. Uma AD representa uma série de testes encadeados acerca de atributos de um objeto do domínio. Um dado entra na árvore pelo nó raiz, tradicionalmente colocado no topo da representação gráfica, e a árvore se desenvolve para baixo, até chegar a um nó folha, representando uma classe. A partir de um nó (pai), é feito um teste para decidir qual nó filho deve ser pesquisado a seguir. Existe apenas um caminho da raiz até cada folha. Este caminho é uma expressão da regra usada para classificar os dados.
2 UFRGS 3 N N Exemplo de AD N N y N5 N7 N3 Yes y < 0.47? x < 0.43? N No y < 0.33? N3 N N x N6 N3 Yes : 4 : 0 No Yes No : 0 : 4 : 0 : 3 : 4 : 0 N4 N5 N6 N7 Na versão usual, testa um atributo por vez produzindo fronteiras de decisão paralelas aos eixos. Produz um modelo de classificação consistente: baseado em partição, sem superposição de regras N4: Se x < 0.43 E y < 0.47 Então Classe = triângulo (4/0) N5: Se x < 0.43 E y 0.47 Então Classe = círculo (4/0) N6: Se x 0.43 E y < 0.33 Então Classe = círculo (3/0) N7: Se x 0.43 E y 0.33 Então Classe = triângulo (4/0) UFRGS 4 Exemplo: Problema do tempo Assumindo que as condições meteorológicas influenciam a decisão de um jogador de jogar ou (tênis, golfe,...), determine, a partir de um conjunto de observações passadas, um modelo capaz de prever se o jogador vai ou jogar num determinado dia, dadas as condições meteorológicas. emperatura Joga quente alta falso quente alta verdadeiro quente alta falso amena alta falso fria normal falso fria normal verdadeiro fria normal verdadeiro amena alta falso fria normal falso amena normal falso amena normal verdadeiro amena alta verdadeiro quente normal falso amena alta verdadeiro Atributos previsores: quente alta falso emperatura amena normal fria verdadeiro emperatura Atributo alvo: (classe) Joga Modelo Joga
3 UFRGS 5 Exemplo de árvore de decisão O algoritmo de geração da AD descobre quais atributos previsores são realmente importantes para a classificação, descartando os demais (temperatura, no exemplo do tempo). AD Joga alta normal Se = Então Classe = falso verdadeiro Se = E = alta Então Classe = Se = E = normal Então Classe = Se = E = falso Então Classe = Se = E = verdadeiro Então Classe = UFRGS 6 Construção de árvores de decisão Procedimento padrão: de cima para baixo, usando recursivamente dividir e conquistar (algoritmo de Hunt). Primeiro: seleciona-se o atributo do nó raiz e cria-se um ramo para cada valor possível do atributo. Então: os exemplos são divididos em subconjuntos (um para cada ramo que sai do nó), conforme o resultado do teste. Finalmente: o procedimento é repetido recursivamente para cada ramo, usando apenas os exemplos que chegam no ramo considerado. O processo termina quando todos os exemplos do subconjunto do ramo têm a mesma classe, ou... todos os exemplos têm valores de atributos ilares número de instâncias é menor que um limiar estabelecido o critério de expansão de nós é satisfeito (métrica de escolha do teste)...
4 UFRGS 7 Seleção do teste a ser aplicado em um determinado nó Estratégia gulosa: o atributo testado produz uma partição das instâncias que chegam no nó que otimiza um determinado critério. Base: métrica para seleção de atributos. conjunto de entrada: 9/5 (9, 5 ) emperatura Joga quente alta falso quente alta verdadeiro quente alta falso amena alta falso fria normal falso fria normal verdadeiro fria normal verdadeiro amena alta falso fria normal falso amena normal falso amena normal verdadeiro amena alta verdadeiro quente normal falso amena alta verdadeiro 3 /3 4/0 3/ conjuntos resultantes do teste UFRGS 8 Critério para seleção de atributo Qual é o melhor atributo para testar num nó? Aquele que produz a menor árvore (implica gerar todas as possibilidades!!). Heurística: escolher o atributo que produz os nós mais puros (homogêneos em relação à classe majoritária). Critério popular para impureza : quantidade de informação, ou entropia de um subconjunto. O ganho de informação representa o quanto (em média) se ganha em pureza ao se dividir um conjunto segundo um atributo. Estratégia: escolher o atributo que produz o maior ganho de informação. Métricas alternativas: indíce GINI, erro de classificação,...
5 UFRGS 9 Cálculo da informação A quantidade de informação é medida em bits. Dada uma distribuição (de classes), calcula-se a quantidade de informação necessária para prever um evento (uma classe). É equivalente à entropia da distribuição A entropia representa a informação necessária em bits (ou fração de bits!) Fórmula para calcular a entropia de um conjunto: entropia(p, p,..., p n ) = p logp p logp... p n logp n onde p, p,..., p n são as probabilidades (taxa de ocorrência) das classes,,..., n, neste conjunto. Obs: o logaritmo é na base para a medida em bits! UFRGS 0 Exemplos de cálculo de informação Entropia: dada uma distribuição (de classes: c,..., c i,..., c n ), calcula a quantidade de informação necessária para prever um evento (uma classe). I(p,..., p i,..., p n ) = p logp... p i logp i... p n logp n Com : p i j c i c j Exemplo : os objetos pertencem a um conjunto com uma única classe (c ) : 8 A, c = p I()= log( 0 ) = (0) = 0 bit I() = 0 : Dado que p =, preciso de outra informação para prever a classe de um objeto da distribuição: todos são da classe.
6 UFRGS Exemplo : os objetos pertencem a um conjunto com classes equiprováveis B B B B B B B B p 8 0,5 : 8 A, 8 B c = 8, c = 8 p 6 I(0,5; 0,5)= 0,5log( ) 0,5log( ) = 0,5 () 0,5 () = bit I(0,5;0,5) = : Dado que p = p = 0,5, preciso de bit para prever a classe de um objeto da distribuição: c = 0 ; c =. Exemplo 3: os objetos pertencem a um conjunto com 4 classes equiprováveis A A A A B B B B C C C C D D D D p p 4 3 p4 0,5 p 6 I(0,5; 0,5; 0,5; 0,5) = 4( 0,5log( )) = 4( 0,5 ()) = bit I(0,5;0,5;0,5;0,5) = : Dado que p = p = p 3 = p 4 = 0,5, preciso de bits para prever a classe de um objeto da distribuição: c = 00 ; c = 0; c 3 = 0 ; c 4 =. 4 UFRGS Exemplo 4: os objetos pertencem a um conjunto com classes equiprováveis A A A A B B B B 3 p 0,75 p 4 0, I(0,75; 0,5) = 0,75log(0,75) 0,5log( ) = 0,75 (0,45) 0,5 () = 0,8 bit I(0,75;0,5) = 0,8 : preciso de 0,8 bit para prever a classe de um objeto da distribuição: Só informa a classe dos objetos de c. Exemplo 5: os objetos pertencem a um conjunto com 4 classes equiprováveis A A A A A A B B C C C C C C D D p p3 0,375 p 3 p 4 0,5 6 8 I(0,375; 0,5; 0,375; 0,5) = ( 0,375(,45)) + ( 0,5(3)) =,8 bit I(0,5;0,5;0,5;0,5) =,8 : preciso de,8 bits para prever a classe de um objeto da distribuição: bit para informar as classes mais frequentes e 0,8 bits para as demais.
7 UFRGS 3 Métricas alternativas para seleção de atributos Índice GINI de um nó t (valor de atributo) é baseado na freqüência relativa de cada classe j no nó t, p(j t): GINI( t) GINI p( j t) k j Índice GINI de um nó atributo: média ponderada dos índices GINI de cada valor do atributo, ponderados pela proporção de exemplos com este valor. i ni GINI( i) n Exemplo : os objetos pertencem a um conjunto com uma única classe (c ): j = GINI( t) j p( j t) 0 Exemplo : objetos pertencem a um conjunto com classes equiprováveis: j =, B B B B B B B B GINI( t) j 0, 5 p( j t) 0,5 0,5 UFRGS 4 Métricas alternativas para seleção de atributos Erro de classificação de um nó t (valor de atributo): é baseado na freqüência relativa das classes menos frequentes (erros): Erro( t) max p( i t) Erro k i i Erro de classificação de um nó atributo: média ponderada dos erros de cada valor do atributo, ponderados pela proporção de exemplos com este valor. ni Erro( i) n Exemplo : os objetos pertencem a um conjunto com uma única classe (c ): j = Erro( t) max p( i t) 0 i Exemplo : objetos pertencem a um conjunto com classes equiprováveis: j =, B B B B B B B B Erro( t) max p( i t) 0,5 0,5 i
8 UFRGS 5 Comparação entre métricas para seleção de atributos Para um problema de classificação em classes UFRGS 6 O algoritmo C4.5 O algoritmo C4.5 (Quinlan 93) produz árvores com número de ramos variável. Cada valor de um dado categórico gera um ramo. A entropia ou ganho de informação é utilizada como fator de escolha do atributo a ser testado num nó. A partição do espaço de características começa pelo nó raiz e continua para os nós filhos da mesma maneira, ou seja, escolhendo-se em cada nó o melhor atributo para a partição, até que um atributo assuma um único valor. Neste caso, nós rotulamos este nó como folha.
9 UFRGS 7 Avaliação dos atributos do tempo emperatura Joga quente alta falso quente alta verdadeiro quente alta falso amena alta falso fria normal falso fria normal verdadeiro Qual é o ganho de informação do teste para o atributo? fria normal verdadeiro amena alta falso fria normal falso amena normal falso amena normal verdadeiro amena alta verdadeiro quente normal falso amena alta verdadeiro UFRGS 8 Exemplo: atributo conjunto original: 9, 5 3 conjuntos resultantes do teste Ganho de informação do teste para o atributo : 0,940 0,693 = 0,47 bits entropia(p,..., p n ) = p logp p logp... p n logp n Entropia do conjunto original: entropia(9/4, 5/4) = 9/4log(9/4) 5/4log(5/4) = 0,940 bits Entropia dos conjuntos resultantes do teste: = : entropia(/5, 3/5) = /5log(/5) 3/5log(3/5) = = 0,97 bits = : entropia(4/4, 0/4) = log() 0log(0) = 0 bits = : entropia(3/5, /5) = 3/5log(3/5) /5log(/5) = = 0,97 bits Entropia média dos conjuntos resultantes: (5/4)0,97 + (4/4)0 + (5/4)0,97 = 0,693 bits
10 UFRGS 9 Qual atributo deve ser selecionado? Ganho = 0,47 bits quente emperatura amena fria Ganho = 0,09 bits alta normal Ganho = 0,5 bits falso verdadeiro Ganho = 0,048 bits UFRGS 0 Continuar a dividir quente emperatura amena fria Ganho = 0,57 bits falso verdadeiro Ganho = 0,00 bits alta normal Ganho = 0,97 bits
11 UFRGS Árvore de decisão final alta normal falso verdadeiro Distribuição das classes dos exemplos que chegam nas folhas
Inteligência 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 Computacional [2COP229]
Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/41) Tema Aula Árvores de Decisão Aula- Árvore de Decisão (3/41) Sumário Introdução Indução de Árvores
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 maisFundamentos 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 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 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 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 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 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 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 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 maisEntropia, Ganho de informação e Decision trees
Entropia, Ganho de informação e Decision trees O exemplo de hoje foi baseado no livro Machine learning de Tom M. Mitchell. Para esse exemplo vamos usar um conjunto de dados simples: A tabela acima consiste
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 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 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 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 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 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 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 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 maisAlgoritmos para Classificação
Mineração de Dados Algoritmos para Classificação 1 Sumário Algoritmo 1R Naïve Bayes Árvore de Decisão Regras Modelos Lineares (Regressão) Baseados em Instância (Vizinhos mais Próximos) 2 1 Atividades 3
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 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 maisSaída: Representação de conhecimento
Saída: Representação de conhecimento Kate Revoredo katerevoredo@uniriotec.br 1 Saída: Representando padrões estruturais Existem muitas maneiras diferentes de representar padrões: Árvores de decisão, regras,
Leia maisÁrvores de Decisão. Fabrício Olivetti de França. Universidade Federal do ABC
Árvores de Decisão Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Árvores de Decisão 1 Árvores de Decisão Base de Dados Relembrando nossa base de dados utilizada na aula passada: Pele
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 maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Aprendizagem de Árvores de Decisão Aula 3 Alessandro L. Koerich Introdução Representação de Árvores de Decisão Algoritmo de Aprendizagem ID3 Entropia e Ganho de Informação
Leia maisAprendizagem a partir de observações. Capítulo 18 (Secções 1-3)
Aprendizagem a partir de observações Capítulo 18 (Secções 1-3) Sumário Agentes aprendizes Aprendizagem indutiva Aprendizagem com árvores de decisão Aprendizagem Aprendizagem é essencial em ambientes desconhecidos
Leia maisAlgoritmos Indutores de Árvores de. Fabrício J. Barth
Algoritmos Indutores de Árvores de Decisão Fabrício J. Barth Maio de 2018 Problema: Diagnóstico para uso de lentes de contato 2 Diagnóstico para o uso de lentes de contato O setor de oftalmologia de um
Leia maisBranch and Bound - Ramicar e Limitar
Programação Linear Inteira Branch and Bound Haroldo Gambini Santos Universidade Federal de Ouro Preto - UFOP 30 de agosto de 2011 1 / 19 Branch and Bound - Ramicar e Limitar Idéia Básica O algoritmo roda
Leia maisÁrvore de Decisão. Capítulo 18 Russell & Norvig Seções 18.1 a 18.3
Árvore de Decisão Capítulo 18 Russell & Norvig Seções 18.1 a 18.3 Aprendizagem Indutiva Clássica Recebe como entrada o valor correto de uma função desconhecida para entradas específicas e tenta recuperar
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. 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 maisAgentes de Procura Procura Estocástica. Capítulo 3: Costa, E. e Simões, A. (2008). Inteligência Artificial Fundamentos e Aplicações, 2.ª edição, FCA.
Agentes de Procura Procura Estocástica Capítulo 3: Costa, E. e Simões, A. (2008). Inteligência Artificial Fundamentos e Aplicações, 2.ª edição, FCA. AGENTES DE PROCURA ESTOCÁSTICA 1 Procura Aleatória O
Leia maisData Mining. Felipe E. Barletta Mendes. 21 de maio de 2008
21 de maio de 2008 O foco principal deste material não é apresentar em minúcia todo o contexto de, muito menos o sobre o processo KDD em que a mineração de dados usualmente está inserida. O objetivo é
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 maisBranch-and-Bound para problemas de Otimização Combinatória
para problemas de Otimização Combinatória Rafael Antônio Marques Gomes Orientador: Haroldo Gambini Santos Departamento de Computação UFOP 26 de julho de 2011 Rafael Antônio Marques Gomes BB para problemas
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 maisMétodos de Ordenação Parte 3
Estrutura de Dados II Métodos de Ordenação Parte 3 Prof a Márcio Bueno ed2tarde@marciobueno.com / ed2noite@marciobueno.com Material baseado nos materiais do Prof. Robson Lins Classificação em Memória Primária
Leia maisAula 2: Resumo de Dados
Aula 2: Resumo de Dados Professor: José Luiz Padilha da Silva email: jlpadilha@ufpr.br Departamento de Estatística Universidade Federal do Paraná Curitiba, 2018 José Luiz Padilha da Silva (UFPR) ce003
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 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 maisClassificação: 1R e Naïve Bayes. Eduardo Raul Hruschka
Classificação: 1R e Naïve Bayes Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Super-ajuste e validação cruzada
Leia mais2284-ELE/5, 3316-IE/3. Universidade da Beira Interior, Departamento de Informática
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem A aprendizagem é um aspecto crucial da Inteligência
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 maisMétodos para Classificação: - Naïve Bayes.
Métodos para Classificação: - 1R; - Naïve Bayes. Visão Geral: Simplicidade em primeiro lugar: 1R; Naïve Bayes. 2 Classificação: Tarefa: Dado um conjunto de exemplos préclassificados, construir um modelo
Leia maisSistemas Inteligentes Inteligência Artificial Segundo Trabalho
Sistemas Inteligentes Inteligência Artificial Segundo Trabalho 07/10/2011 Prof. Flávio Miguel Varejão Este trabalho é uma variação do primeiro trabalho na qual se utilizará um método de indução de árvores
Leia maisAlgoritmos de retrocesso
Algoritmos de retrocesso Algoritmos em que se geram escolhas que vão sendo testadas e eventualmente refeitas Problemas para os quais não existem algoritmos eficientes: retrocesso é melhor que pesquisa
Leia maisAlgoritmos de retrocesso
Algoritmos de retrocesso Algoritmos em que se geram escolhas que vão sendo testadas e eventualmente refeitas Problemas para os quais não existem algoritmos eficientes: retrocesso é melhor que pesquisa
Leia mais1. Faça uma função que recebe por parâmetro o raio de uma esfera e calcula o seu volume.
Instituto Federal do Pará Professor: Ricardo José Cabeça de Souza Disciplina: - Algoritmos e Construção de Programas LISTA DE EXERCÍCIOS 1. Faça uma função que recebe por parâmetro o raio de uma esfera
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 maisMAC 0425/ Inteligência Artificial
MAC 0425/5739 - Inteligência Artificial Exercício-Programa 4 - Clasificação Prazo limite de entrega: 23:59 07/12/2016 1 Introdução Neste exercício-programa estudaremos o problema de aprendizagem supervisionado
Leia maisINTELIGÊNCIA ARTIFICIAL 2008/09
INTELIGÊNI RTIFIIL 2008/09 PROUR 1) onsidere o problema da torre de Hanoi com discos. Neste problema, existem três pinos, e e discos de diâmetros diferentes, estando no início todos os discos colocados
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
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 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 maisSeleção de Atributos FSS. Relevância de Atributos. Relevância de Atributos. Seleção de Atributos - FSS. FSS como Busca no Espaço de Estados
Seleção FSS Alguns indutores geralmente degradam seu desempenho quando são fornecidos muitos atributos irrelevantes para o conceito a ser aprendido Feature Subset Selection (FSS) é o processo de selecionar
Leia maisRACIOCÍNIO LÓGICO-QUANTITATIVO Prova comentada ANAC / ANALISTA / 2016 Professor Josimar Padilha
RACIOCÍNIO LÓGICO-QUANTITATIVO Prova comentada ANAC / ANALISTA / 2016 Professor Josimar Padilha 1. A negação da proposição se choveu, então o voo vai atrasar pode ser logicamente descrita por: a. não choveu
Leia maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Aprendizagem Baseada em Instâncias Alessandro L. Koerich Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática
Leia maisRedes Neuronais e Aprendizagem Automática 1
Redes Neuronais e Aprendizagem Automática 2005/2006 18 a aula Fernando.Silva@ist.utl.pt Instituto Superior Técnico Redes Neuronais e Aprendizagem Automática 1 Sumário Árvores de decisão (continuação) Redes
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
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 maisParadigmas de Projetos de Algoritmos
Paradigmas de Projetos de Algoritmos Luciana Assis 9 de junho de 2016 Luciana Assis (UFVJM) 9 de junho de 2016 1 / 36 1 Introdução 2 Força Bruta 3 Abordagem Incremental ou Construtiva 4 Recursão 5 Divisão
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
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 maisNovas Tecnologias de Informação Licenciatura em Estatística e Gestão de Informação. Escolha uma e uma só resposta para cada uma das seguintes questões
Novas Tecnologias de Informação Licenciatura em Estatística e Gestão de Informação Cotação: Grupo I - 1 valor cada; Grupo II-1,4, Grupo III-1,2,2 ATENÇÃO: Cada pergunta de escolha múltipla errada desconta
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 maisProgramação Inteira. Solução com o método Branch-and-Bound
Programação Inteira Solução com o método Branch-and-Bound Conceitos gerais Um conceito fundamental nos métodos de resolução de programação inteira é a relaxação linear p Consiste em substituir PIM Ζ +
Leia maisProjeto e Análise de Algoritmos Aula 4: Dividir para Conquistar ou Divisão e Conquista ( )
Projeto e Análise de Algoritmos Aula 4: Dividir para Conquistar ou Divisão e Conquista (2.1-2.2) DECOM/UFOP 2013/1 5º. Período Anderson Almeida Ferreira Adaptado do material desenvolvido por Andréa Iabrudi
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 mais1 O que é árvore de decisão
Curso de Data Mining Sandra de Amo Aula 9 - Classificação utilizando Arvores de Decisão 1 O que é árvore de decisão Uma árvore de decisão é uma estrutura de árvore onde : cada nó interno é um atributo
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 10 Classificação com Naïve Bayes Max Pereira Raciocínio Probabilístico A notação tradicional para criar e analisar sentenças lógicas
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 maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisIntrodução Paradigmas
Introdução Paradigmas Recursividade Algoritmos tentativa e erro Divisão e conquista Programação dinâmica Algoritmos gulosos Algoritmos aproximados 1 Introdução O projeto de algoritmos requer abordagens
Leia mais