1 / 25

Aprendizaje Automatizado

Aprendizaje Automatizado. Ár boles de Clasificación. Árboles de Clasificación. Entrada: Objetos caracterizables mediante propiedades. Salida: En árboles de decisión: una decisión (sí o no). En árboles de clasificación: una clase. Conjunto de reglas. Árboles de Clasificación.

dawson
Download Presentation

Aprendizaje Automatizado

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Aprendizaje Automatizado Árboles de Clasificación

  2. Árboles de Clasificación • Entrada: Objetos caracterizables mediante propiedades. • Salida: • En árboles de decisión: una decisión (sí o no). • En árboles de clasificación: una clase. • Conjunto de reglas.

  3. Árboles de Clasificación • Se clasifican las instancias desde la raíz hacia las hojas, las cuales proveen la clasificación. • Cada nodo especifica el test de algún atributo. • Ejemplo: Si (Outlook = Sunny, Temperature = Hot, Humedity = High, Wind = Strong) Juego al tenis?

  4. Play Tennis

  5. Play Tennis • Disyunción de conjunciones: (Outlook = Sunny And Humidity = Normal) Or (Outlook = Overcast) Or (Outlook = Rain And Wind = Weak)

  6. Play Tennis

  7. Problemas Apropiados • Las instancias pueden ser representadas por pares (atributo, valor) . • La función objetivo tiene valores discretos (o pueden ser discretizados). • Pueden ser requeridas descripciones en forma de disjunción. • Posiblemente existen errores en los datos de entrenamiento (robustos al ruido). • Posiblemente falta información en algunos de los datos de entrenamiento.

  8. Algoritmo básico para obtener un árbol de decisión • Búsqueda exhaustiva, en profundidad (de arriba hacia abajo), a través del espacio de posibles árboles de decisión (ID3 y C4.5). • Raíz: el atributo que mejor clasifica los datos Cuál atributo es el mejor clasificador?  respuesta basada en la ganancia de información.

  9. Algoritmos: ID3 (Interactive Dichotomizer Version 3) • Entropía Entropía(S) - pÅlog2 pÅ- pQlog2 pQ pÅ= proporción de ejemplos positivos. pQ= proporción de ejemplos negativos. S: conjunto de datos actual. Por ejemplo, en el conjunto de datos Play Tennis pÅ= 9/14, pQ = 5/14 y E(S) = 0.940 En general: Entropía(S) = -  i=1,c pi log2 pi

  10. Algoritmos: ID3 (Interactive Dichotomizer Version 3) • Por ejemplo: Si S1 es el subconjunto de S en el cual Humedity = High Entonces: • pÅ= 3/7 • pQ= 4/7 • Entropía(S1) = -3/7 log2 3/7 - 4/7 log2 4/7 = 0.985

  11. Entropía y proporción de positivos

  12. Ganancia de información • Mide la reducción esperada de entropía sabiendo el valor del atributo A Gain(S,A)  Entropía(S) - vValores(A) (|Sv|/|S|)Entropía(Sv) Valores(A): Conjunto de posibles valores del atributo A Sv: Subconjunto de S en el cual el atributo A tiene el valor v Ej: Gain(S, Humedad) = 0.940 - (7/14)0.985 - (7/14)0.592 proporción de humedad alta prop. de humedad normal

  13. Play Tennis

  14. Play Tennis • Gain(S,Outlook) = 0.246 • Gain(S,Humidity) = 0.151 • Gain(S,Wind) = 0.048 • Gain(S,Temperature) = 0.029  Outlook es el atributo del nodo raíz.

  15. Play Tennis

  16. Algoritmo: CART (Classification and Regression Trees) • Árboles de clasificación: predicen categorías de objetos. • Árboles de regresión: predicen valores continuos. • Partición binaria recursiva. • En cada iteración se selecciona la variable predictiva y el punto de separación que mejor reduzcan la ‘impureza’.

  17. Índice de diversidad de Gini

  18. Índice de diversidad de Gini • Ai es el atributo para ramificar el árbol. • Mi es el número de valores diferentes del atributo Ai. • p(Aij) es la probabilidad de que Ai tome su j-ésimo valor (1 <= j <= Mi).

  19. Índice de diversidad de Gini • p(Ck|Aij)es la probabilidad de que un ejemplo pertenezca a la clase Ck cuando su atributo Ai toma su j-ésimo valor. • p(¬Ck|Aij)es 1 - p(Ck|Aij). • Este índice es utilizado como una medida de impureza de la información al igual que la entropía.

  20. Sobreentrenamiento • Se debe evitar el sobreentrenamiento • Parar de crecer el árbol temprano. • Postprocesamiento del árbol (poda) Cómo? • Usar un conjunto de ejemplos de validación • Usar estadísticas

  21. Matlab - Statistics Toolbox • La clase @classregtree está diseñada para manipular árboles de regresión y árboles de decisión (CART). • Ejemplo: >> load fisheriris; >> t = classregtree(meas, species, 'names', {'SL' 'SW' 'PL' 'PW'})

  22. Matlab - Statistics Toolbox t = Decision tree for classification 1 if PL<2.45 then node 2 else node 3 2 class = setosa 3 if PW<1.75 then node 4 else node 5 4 if PL<4.95 then node 6 else node 7 5 class = virginica 6 if PW<1.65 then node 8 else node 9 7 class = virginica 8 class = versicolor 9 class = virginica

  23. Matlab - Statistics Toolbox >> view(t)

  24. Matlab - Statistics Toolbox • Clasificar datos: sfit = eval(t,meas); • Computar la proporción de clasificados correctamente: pct = mean(strcmp(sfit,species)) pct = 0.9800

  25. Matlab - Statistics Toolbox • Calcular el promedio de errores al cuadrado: mse = mean((sfit - species).^2) • Podar el árbol: t2 = prune(t, 'level', 1)

More Related