Escolar Documentos
Profissional Documentos
Cultura Documentos
Introduo Inteligncia
Artificial
Aprendizado Simblico
rvores de Deciso
sim
saudvel
no
Temperatura do paciente?
<= 37
> 37
saudvel
doente
doente
rvores de Deciso
[833+,167-] .83+ .17Fetal_Presentation = 1: [822+,116-] .88+ .12| Previous_Csection = 0: [767+,81-] .90+ .10| | Primiparous = 0: [399+,13-] .97+ .03| | Primiparous = 1: [368+,68-] .84+ .16| | | Fetal_Distress = 0: [334+,47-] .88+ .12| | | | Birth_Weight < 3349: [201+,10.6-] .95+ .05| | | | Birth_Weight >= 3349: [133+,36.4-] .78+ .22| | | Fetal_Distress = 1: [34+,21-] .62+ .38| Previous_Csection = 1: [55+,35-] .61+ .39Fetal_Presentation = 2: [3+,29-] .11+ .89Fetal_Presentation = 3: [8+,22-] .27+ .73-
Como representaramos:
, , XOR
(A B) (C D E)
M de N
5
Loop principal:
1. A o melhor atributo de deciso para o
prximo n
2. Atribua A como atributo de deciso para n
3. Para cada valor de A, crie um novo
descendente para n
4. Classifique os exemplos de treinamento nos
ns folha
5. Se os exemplos de treinamento esto
classificados perfeitamente, ento PARE,
seno comece novamente a partir dos novos
ns folha
Entropia (1/3)
[21+, 5-]
[8+, 30-]
[29+ , 35-]
A1=?
A2=?
Entropia (2/3)
10
Gain( S , A) Entropy ( S )
Por qu?
Teoria da Informao: cdigos de comprimento
timo atribui -log2p bits para mensagens que
possuem probabilidade p
| Sv |
Entropy ( S v )
vValues ( A ) | S |
12
[29+ , 35-]
A2=?
SWeak = [6+,2]
S Strong = [3+,3]
Gain( S ,Wind ) = Entropy ( S )
v{Weak , Strong }
[21+, 5-]
[8+, 30-]
| Sv |
Entropy ( S v )
|S|
14
Outlook
Sunny
Sunny
Overcast
Rain
Rain
Rain
Overcast
Sunny
Sunny
Rain
Sunny
Overcast
Overcast
Rain
Temperature
Hot
Hot
Hot
Mild
Cool
Cool
Cool
Mild
Cool
Mild
Mild
Mild
Hot
Mild
Humidity
High
High
High
High
Normal
Normal
Normal
High
Normal
Normal
Normal
High
Normal
High
Wind
Weak
Strong
Weak
Weak
Weak
Strong
Strong
Weak
Weak
Weak
Strong
Strong
Weak
Strong
PlayTennis
No
No
Yes
Yes
Yes
No
Yes
No
Yes
Yes
Yes
Yes
Yes
No
15
16
18
Outlook
Sunny
Sunny
Sunny
Sunny
Sunny
Overcast
Overcast
Overcast
Overcast
Rain
Rain
Rain
Rain
Rain
Temperature
Hot
Hot
Mild
Cool
Mild
Hot
Cold
Mild
Hot
Mild
Cool
Cool
Mild
Mild
Humidity
High
High
High
Normal
Normal
High
Normal
High
Normal
High
Normal
Normal
Normal
High
Wind
Weak
Strong
Weak
Weak
Strong
Weak
Strong
Strong
Weak
Weak
Weak
Strong
Weak
Strong
Play?
No
No
No
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
No
Yes
No
19
Exemplo
D1
D2
D8
Outlook
Sunny
Sunny
Sunny
Temperature
Hot
Hot
Mild
Humidity
High
High
High
Wind
Weak
Strong
Weak
If outlook=sunny
and
humidity=nomal
If
outlook=overcast
D9
D11
Sunny
Sunny
Cool
Mild
Normal
Normal
Weak Yes
Strong Yes
Overcast
Overcast
Overcast
Overcast
Rain
Rain
Rain
Rain
Rain
Hot
Cold
Mild
Hot
Cool
Mild
Mild
Cool
Mild
High
Normal
High
Normal
Normal
High
High
Normal
Normal
Weak
Strong
Strong
Weak
Strong
Strong
Weak
Weak
Weak
D3
D7
D12
D13
If outlook=rain D6
and wind=strong D14
If outlook=rain D4
and wind=weak D5
D10
20
Play?
No
No
No
Yes
Yes
Yes
Yes
No
No
Yes
Yes
Yes
21
22
24
Overfitting na aprendizagem de
rvores de deciso (1/2)
Overfitting Super-ajustamento
Considere o erro da hiptese h sobre
dados do treinamento: errotrain(h)
distribuio completa D dos dados: erroD(h)
26
Overfitting na aprendizagem de
rvores de deciso (2/2)
27
28
Podando as regras
1. Converta a rvore para um conjunto
equivalente de regras
2. Pode cada regra independentemente
umas das outras
3. Ordene as regras finais em uma
seqncia deseja para uso
29
..........
31
32
Problema:
Se o atributo tem vrios valores, Gain o
selecionar
Suponha o uso de Date = 3/06/00 como
atributo
40
48
60
72
80
90
PlayTennis:
SplitInformation( S , A)
34
Exemplos Prticos
GASOIL
Sistema de separao de gs-leo em
plataformas de petrleo
Sistema de 10 pessoas-ano se baseado em
regras
Desenvolvido em 100 pessoas-dia
Piloto automtico de um Cessna
Treinado por trs pilotos
Obteve um desempenho melhor que os trs
Minerao de dados
Recuperao de Informao
36
Bibliografia
Braga, A.;Carvalho, A. C. P. L. F. & Ludermir, T. : Redes
Neurais Artificiais: Teoria e Aplicaes. Publicado pela
Editora Livro Tcnico e Cientfico, Rio de Janeiro, Brasil,
2000 (livro texto)
Algoritmo TREPAN
Representa uma rede neural atravs de
uma rvore de deciso
Algoritmo geral de extrao de
conhecimento de redes neurais
37
38