Escolar Documentos
Profissional Documentos
Cultura Documentos
AULA 4
Msc. Daniele Carvalho Oliveira Doutoranda em Cincia da Computao - UFU Mestre em Cincia da Computao UFU Bacharel em Cincia da Computao - UFJF
Observvel x Parcialmente Observvel Determinstico x Estocstico Episdico x Sequencial Esttico x Dinmico Discreto x Contnuo Agente nico x Multiagente
FORMAS DE APRENDIZADO
Inteligncia Artificial: Msc. Daniele C. Oliveira
Aprendizado Supervisionado
Aprendizado No Supervisionado Aprendizado Por Reforo
RVORES DE DECISO
4
RVORES DE DECISO
Uma das formas de algoritmo de aprendizado mais simples e de maior sucesso. Uma rvore de deciso tem como entrada um objeto ou situao descritos por um conjunto de atributos e como sada uma deciso (previso do valor de sada dada a entrada).
Uma rvore de deciso toma as suas decises atravs de uma sequncia de testes.
RVORES DE DECISO
Raiz
Ramo
Os ramos dos ns so rotulados com os resultados possveis do teste. Cada n folha da rvore especfica o valor a ser retornado se aquela folha for alcanada.
Ramo
Ramo
Ramo
Ramo
Folha
Folha
Ramo
EXEMPLO RESTAURANTE
Problema:
Esperar por uma mesa em um restaurante. objetivo aprender uma definio para o predicado vai esperar. necessrio definir quais atributos esto disponveis para descrever alguns exemplos nesse domnio.
Primeiramente
EXEMPLO RESTAURANTE
Atributos:
Alternativa: Verdadeiro se existe um restaurante alternativo adequado nas proximidades. Bar: Verdadeiro se o restaurante tem uma rea de bar confortvel para ficar esperando. Sex/Sab: Verdadeiro se o dia da semana for sexta ou sbado. Faminto: Verdadeiro se estamos com fome. Pessoas: Quantas pessoas esto no restaurante (os valores so Nenhuma, Algumas e Cheio). Preo: Preo do restaurante de ($, $ $, $$$). Chuva: Verdadeiro se est chovendo l fora. Reserva: Verdadeiro se ns fizemos uma reserva. Tipo: Tipo de restaurante (Francs, Italiano, Tailands, Hambrguer). EstimativaEspera: Tempo de espera estimado (00-10, 10-30, 30-60, > 60 minutos).
EXEMPLO RESTAURANTE
Pessoas?
Nenhuma Algumas Cheio
No
Sim
EstimativaEspera?
>60
30-60
10-30
0-10
No
Alternativa?
No Sim
Faminto?
No Sim
Sim
Reserva?
No Sim
Sex/Sab?
No Sim
Sim
Alternativa?
No Sim
Bar?
No Sim
Sim
No
Sim
Sim
Chovendo?
No Sim
No
Sim
No
Sim
Qualquer hiptese de rvore de deciso especfica para o predicado meta VaiEsperar pode ser vista como uma assero da forma:
Onde cada condio Pi(s) uma conjuno de testes que pode corresponde a um caminho da raiz at uma folha da rvore com resultado positivo
10
No podemos utilizar rvores de deciso para representar testes que se referem a dois ou mais objetos diferentes
11
Qualquer funo booleana pode ser escrita como uma rvore de deciso Cada linha da TV = um caminho na rvore
Representao exponencialmente grande TV nmero exponencial de linhas
rvores de deciso servem para alguns tipos de funes e no so boas para outros Infelizmente no existe uma espcie de representao que seja eficiente para todos os tipos de funes
12
possvel gerar uma rvore de deciso a partir de um conjunto de exemplos. Exemplos positivos so aqueles que levam a uma resposta positiva. Exemplo: vai esperar = Sim. Exemplos negativos so aqueles que levam a uma resposta negativa. Exemplo: vai esperar = No.
CONJUNTO DE TREINAMENTO
Atributos
Exemplo
X1 X2 X3 X4 X5 X6 X7
Obj. Chov.
No No No Sim No Sim
Alt.
Sim Sim No Sim Sim No
Bar
No No Sim No No Sim
S/S
No No No Sim Sim No
Fam.
Sim Sim No Sim No Sim
Pes.
Algumas Cheio Algumas Cheio Cheio Algumas Nenhum a Algumas Cheio Cheio Nenhum a Cheio
Pre.
$$$ $ $ $ $$$ $$
Res.
Sim No No No Sim Sim
Tipo
Fran. Tai. Ham. Tai. Fran. Ital.
Est.
0-10 30-60 0-10 10-30 >60 0-10
Esp.
Sim No Sim Sim No Sim
No
No No Sim
Sim
No Sim Sim
No
No Sim Sim
No
Sim No Sim
$
$$ $ $$$
Sim
Sim Sim No
No
Sim No Sim
Ham.
Tai. Ham. Ital.
0-10
0-10 >60 10-30
No
Sim No No
X8
X9 X10 X11
No
Sim
No
Sim
No
Sim
No
Sim
$
$
No
No
No
No
Tai.
Ham.
0-10
30-60
No
Sim
X12
Seguindo o principio de Ockham, devemos encontrar a menor rvore de deciso que seja consistente com os exemplos de treinamento.
Qualquer fenmeno deve assumir apenas as premissas estritamente necessrias explicao do fenmeno e eliminar todas as que no causariam qualquer diferena aparente nas predies da hiptese ou teoria.
O atributo mais importante aquele que faz mais diferena para a classificao de um exemplo.
Dessa forma, esperamos conseguir a classificao correta com um pequeno nmero de testes.
CONJUNTO DE TREINAMENTO
Atributos
Exemplo
X1 X2 X3 X4 X5 X6 X7
Obj. Chov.
No No No Sim No Sim
Alt.
Sim Sim No Sim Sim No
Bar
No No Sim No No Sim
S/S
No No No Sim Sim No
Fam.
Sim Sim No Sim No Sim
Pes.
Algumas Cheio Algumas Cheio Cheio Algumas Nenhum a Algumas Cheio Cheio Nenhum a Cheio
Pre.
$$$ $ $ $ $$$ $$
Res.
Sim No No No Sim Sim
Tipo
Fran. Tai. Ham. Tai. Fran. Ital.
Est.
0-10 30-60 0-10 10-30 >60 0-10
Esp.
Sim No Sim Sim No Sim
No
No No Sim
Sim
No Sim Sim
No
No Sim Sim
No
Sim No Sim
$
$$ $ $$$
Sim
Sim Sim No
No
Sim No Sim
Ham.
Tai. Ham. Ital.
0-10
0-10 >60 10-30
No
Sim No No
X8
X9 X10 X11
No
Sim
No
Sim
No
Sim
No
Sim
$
$
No
No
No
No
Tai.
Ham.
0-10
30-60
No
Sim
X12
17
18
EXERCCIO
Inteligncia Artificial: Msc. Daniele C. Oliveira
19
Depois da escolha do atributo clientes ficamos com um conjunto misto de exemplo se o valor for cheio Depois que o primeiro teste de atributo separa os exemplos, cada resultado um novo problema de aprendizagem em rvore de deciso
20
Se existem alguns exemplos positivos e alguns negativos, escolha o melhor atributo para dividi-los Se todos os exemplos restantes forem positivos (ou negativos), terminamos Se no resta nenhum exemplo, nenhum exemplo deste tipo foi observado, retornamos a maioria do n pai No resta nenhum atributo mas h exemplos positivos e negativos descries iguais com classificaes diferentes = rudo nos dados
No
Sim
Faminto?
No Sim
No
Francs
Tipo?
Italiano Hambrguer Tailands
Sim
No
Sim
Sex/Sab?
No Sim
No
Sim
A RVORE RESULTANTE
Inteligncia Artificial: Msc. Daniele C. Oliveira
diferente da rvore original Mas a hiptese concorda com todos os exemplos E consideravelmente mais simples do que a rvore original Chovendo e Reserva ficaram de fora por a rvore no necessita deles para classificar os exemplos Mas nunca viu um caso de espera de 0-10 min e o restaurante cheio
Para um caso onde faminto falso a rvore de deciso informa que no devemos esperar
23
Projetado para minimizar a profundidade da rvore final Ideia: escolher o atributo que melhor fornece uma classificao exata dos exemplos
Atributo perfeito: divide os exemplos em conjuntos que so todos positivos ou todos negativos
Atributo intil: deixa os conjuntos de exemplos com a mesma proporo do conjunto original
Deve ter o valor mximo quando o atributo perfeito E o valor mnimo quando o atributo for completamente intil
Uma medida apropriada seria a quantidade esperada de informaes fornecidas pelo atributo
MEDINDO DESEMPENHO
Um
algoritmo de aprendizado bom se ele produz hipteses que conseguem prever a classificao de exemplos no vistos.
maneira mais simples de se medir o desempenho de um mtodo de aprendizado realizando a classificao de um conjunto de exemplos de teste.
MEDINDO DESEMPENHO
Processo de avaliao:
1.
2. 3. 4. 5.
Aplicar o algoritmo ao conjunto de treinamento, gerando uma hiptese h (rvore de Deciso) Medir a quantidade de exemplos do conjunto de teste classificados corretamente por h Repetir as etapas 2 a 4 para
Diferentes tamanhos de conjuntos de treinamento Diferentes conjs. de treinamento de cada tamanho
MEDINDO DESEMPENHO
Porcentagem de reconhecimento
EXERCCIO
Inteligncia Artificial: Msc. Daniele C. Oliveira
www.danieleoliveira.com.br
Graduao > Uniube - 2013 - 01 > Inteligncia Artificial > otas de Aula N
29
30
REFERNCIA
Inteligncia Artificial: Msc. Daniele C. Oliveira
Russel, Stuart e Norvig, Peter. Inteligncia Artificial. Campus-Elsevier. 2004. Traduo da 2a. Ed. Americana
31