1 / 14

Seleção de Atributos

Seleção de Atributos. Aprendizagem de Máquina. Artur Aquino Gabriel Albuquerque Hallan Cosmo. Roteiro. Introdução Metodologia PSO O Problema Implementação Resultados Comparação Conclusão. Introdução.

thi
Download Presentation

Seleção de Atributos

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. Seleção de Atributos Aprendizagem de Máquina • Artur Aquino • Gabriel Albuquerque • Hallan Cosmo

  2. Roteiro Introdução Metodologia PSO O Problema Implementação Resultados Comparação Conclusão

  3. Introdução • Atributos não relevantes podem reduzir a precisão dos algoritmos de aprendizado supervisionado • Algoritmos de seleção de atributos buscam selecionar atributos não redudantes e relevantes. • O problema aqui é: qual caminho tomar para selecionar os atributos? • Busca exaustiva não é uma boa estratégia

  4. Metodologia • Seleção de atributos • Algoritmo: Particle Swarm Optimization – PSO • Algoritmo supervisionado no WEKA • WrapperSubset Eval • Comparação

  5. PSO Foi inicialmente descrito em 1995 por James Kennedy e Russell C. Eberhart mas evoluiu muito desde então É uma espécie de inteligência coletiva de um enxame baseada em principios psico-sociológicos Pode ser utilizado para demonstrar comportamentos sociais ou aplicações de engenharia

  6. PSO O PSO é um algoritmo de otimização estocástico e baseado em populações Os atributos são abstraídos para partículas no espaço Posição Taxa de mudança Velocidade

  7. PSO Comunicação -> Melhor posição Local Global Ajuste buscando o ótimo Posição Velocidade

  8. PSO - Exemplo Gaivotas telepáticas (trocam informações) em posições aleatórias buscando a melhor fonte de comida Como sabem qual gaivota está mais próxima alteram velocidade e posição Vão mantendo o registro das melhores posições e velocidades Convergem para a fonte de comida (o ótimo)

  9. O Problema • Temos um problema de classificação, onde devemos determinar se um animal é Peixe ou não. • A partir de um conjunto de atributos, em que, eventualmente, alguns são irrelevantes e reduzem a precisão do algoritmo.

  10. Implementação • PSO - Algoritmo de busca • Classificador Naive Bayes • Comparação • Naive Bayes do Weka

  11. Resultados • Experimentamos diferentes quantidades de partículas no espaço

  12. Comparação PSO x todos os atributos x weka Acerto calculado no weka Diferença muito pequena Quantidade de atributos Weka: 20 PSO: 6 (10000 partículas)

  13. Conclusão • Muitos atributos não é necessariamente vantagem • Redundância • Irrelevância • PSO tende a melhorar com o aumento de partículas inicialmente geradas • Até certo ponto • O algoritmo implementado foi muito básico mas, ainda assim consegue resultados próximos ao do weka com menos atributos

  14. Seleção de Atributos Aprendizagem de Máquina • Artur Aquino • Gabriel Albuquerque • Hallan Cosmo

More Related