1 / 12

APORTACIONES EN EL SOFTWARE ELVIRA: MAYO’03-MAYO’04 GRUPO ISG, UPV-EHU

APORTACIONES EN EL SOFTWARE ELVIRA: MAYO’03-MAYO’04 GRUPO ISG, UPV-EHU. Donostia, 14-V-2004. PROGRAMADORES. Rubén Armañanzas Rosa Blanco José L. Flores Aritz Pérez Guzmán Santafé. APORTACIONES EN VARIOS CAMPOS. Construcción clasificadores supervisados

olaf
Download Presentation

APORTACIONES EN EL SOFTWARE ELVIRA: MAYO’03-MAYO’04 GRUPO ISG, UPV-EHU

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. APORTACIONES EN EL SOFTWARE ELVIRA: MAYO’03-MAYO’04GRUPO ISG, UPV-EHU Donostia, 14-V-2004

  2. PROGRAMADORES • Rubén Armañanzas • Rosa Blanco • José L. Flores • Aritz Pérez • Guzmán Santafé Implementaciones en Elvira ISG

  3. APORTACIONES EN VARIOS CAMPOS • Construcción clasificadores supervisados • Medidas “filter” de selección-rankeo de variables predictoras • Construcción clasificadores no-supervisados • Discretización de variables continuas • Interfaz gráfico (GUI) de Elvira Aportaciones en el cvs (la mayoría en el GUI) Implementaciones en Elvira ISG

  4. 1. CONSTRUCCION CLASIFICADORES SUPERVISADOS (Rosa) • Naive-Bayes (Duda & Hart’73) • Selective naive Bayes (Langley & Sage’94) • Tree Augmented Network (TAN, Friedman’97) • Semi naive Bayes (Pazzani’97) • K-dependence Bayesian classifiers (k-DB, Sahami’96)  elvira.learning.classification.supervised.discrete Implementaciones en Elvira ISG

  5. 1. CONSTRUCCION CLASIFICADORES SUPERVISADOS (Rosa) • Todos disponibles en el GUI • Mediante el GUI: • muestra gráfica de la estructura • estimación porcentaje bien clasificados • categorización-testeo de nuevos casos • posibilidad uso corrección Laplace • ... • Sus clases y métodos relacionados principales, explicados en el capítulo 9 (“Classification”) de Elvira-Book • Aritz (local) versión para el campo CONTINUO de los cinco clasificadores anteriores Implementaciones en Elvira ISG

  6. 2. RANKEO DE PREDICTORAS POR MEDIDAS “FILTER” (Rubén) • Rankeo mediante siete medidas “filter” univariadas (correlación clase-predictora): • Información mutua • Entropía Shannon • Métrica Bhattacharyya • Distancias: Euclídea, Matusita, Kullback-Leibler (2) • elvira.learning.preprocessing.FilterMeasures.java Implementaciones en Elvira ISG

  7. 2. RANKEO DE PREDICTORAS POR MEDIDAS “FILTER” (Rubén) • Mediante el GUI: • Expresión matemática de la medida • A un fichero de salida  posibilidad de proyectar un subconjunto de variables (+ clase) según el rankeo • Punto de corte “codo” (Molina y col.’02) sobre el ranking. Línea de comandos • “Correlation Feature Selection” (CFS, Hall’99). “Filter” multivariada. Línea de comandos Implementaciones en Elvira ISG

  8. 3. CONTRUCCION CLASIFICADORES NO SUPERVISADOS (Guzmán) • Aprendizaje de la estructura naive-Bayes no supervisada de dos formas: • EM (Dempster’77) • EM Multi-Start • Mediante el GUI: • muestra gráfica de la estructura • posibilidad uso corrección Laplace, ... • Sus clases y métodos relacionados principales, explicados en el capítulo 9 (“Classification”) de Elvira-Book  elvira.learning.classification.unsupervised.discrete Implementaciones en Elvira ISG

  9. 4. DISCRETIZACION DE VARIABLES CONTINUAS (José Luis) • Cinco métodos de discretización: • Equal Frequency • Equal Width • Sun Square Differences • Unsupervised Monothetic Contrast • K-means  elvira.learning.preprocessing.Discretization.java Implementaciones en Elvira ISG

  10. 4. DISCRETIZACION DE VARIABLES CONTINUAS (José Luis) • Mediante el GUI: • Discretización: • Global (“masiva”): discretizar todas las variables con el mismo método • Local (“normal”): aplicar un método de discretización concreto por variable • Generación de un fichero de casos de salida con la discretización realizada Implementaciones en Elvira ISG

  11. 5. INTERFAZ GRAFICO - GUI (Rubén) • Soporte en el GUI al aprendizaje a partir de casos: • Preproceso: • Imputación • Discretización • Medidas “filter” de rankeo • Aprendizaje automático • Clasificación supervisada • Clasificación no supervisada • Factorización de distribuciones de probabilidad mediante redes Bayesianas (+ Restricciones) Implementaciones en Elvira ISG

  12. 5. INTERFAZ GRAFICO - GUI (Rubén) • Post aprendizaje: • Estimación porcentaje bien clasificados • Categorización – Testeo de un fichero de casos elvira.gui.DataBaseMonitor.java elvira.gui.DataBaseMonitorWorker.java Implementaciones en Elvira ISG

More Related