Transferir como PDF, PPTX
Carregado porCloves da Rocha
Árvore de Decisão | IA
O documento apresenta uma introdução às árvores de decisão, descrevendo-as como modelos estatísticos que classificam e preveem dados através de divisões recursivas. Os principais pontos abordados são: os elementos básicos de uma árvore de decisão, como nós, ramos e regras; algoritmos comuns como CART, ID3 e C4.5; e aplicações como diagnóstico médico e análise de crédito.
Mais conteúdo relacionado
Semelhante a Árvore de Decisão | IA
Árvore de Decisão | IA
- 1. Árvore de Decisão IA- INTELIGÊNCIA ARTIFICIAL Professor: Cloves Rocha PhD Student in Computer Science MSc. in Computer Science
- 2. Agenda ⚫ Introdução ⚫ Oque é? ⚫ Elementos ⚫ Características ⚫ Vantagens e Desvantagens ⚫ Ganho de Informação e Entropia ⚫ Principais Algoritmos ⚫ Exemplos ⚫ Bibliografia Professor: Cloves Rocha | Árvore de Decisão
- 3. Introdução 1959: William. A.Belson propõe uma “técnica para combinar” amostras de população; 1984: Breiman et al, Classification and Regression Trees (CART); 1987: J. R. Quinlan, discute técnicas para simplificação, mantendo a precisão. Professor: Cloves Rocha | Árvore de Decisão
- 4. O que é? Árvoresde decisão (Decision Tree) são modelos estatísticos que utilizam um treinamento supervisionado para a classificação e previsão de dados. Estes modelos utilizam a estratégia de dividir para conquistar (Gama, 2004). Professor: Cloves Rocha | Árvore de Decisão
- 5. Elementos Professor: Cloves Rocha| Árvore de Decisão
- 6. Elementos ➔Cada nó representaum ponto de decisão que irá testar um atributo; ➔Cada ramo descendente corresponde a um possível valor do atributo; ➔Cada nó folha está associado a uma classe; ➔Cada percurso na árvore (da raiz a uma folha) corresponde a uma regra de classificação. Professor: Cloves Rocha | Árvore de Decisão
- 7. Características ● Permite compararpossíveis ações com base em seus custos, probabilidades ou benefícios; ● Adquirem conhecimento simbólico a partir dos dados de treinamento; ● Retorna valores discretos; ● Podem ser representadas como conjuntos de regras IF-THEN. Professor: Cloves Rocha | Árvore de Decisão
- 8. Vantagens ● Fácil interpretação.Percebe-se a razão da decisão; ● Atributos mais relevantes aparecem mais na parte superior da árvore (Entropia e Ganho de Informação); ● Adaptável também a problemas de regressão (Árvores de Regressão). Professor: Cloves Rocha | Árvore de Decisão Desvantagens ● Podem se tornar complexas (verificar condição de parada); ● Sensibilidade a pequenas perturbações no conjunto de treino (necessário de árvore).
- 9. Ganho de informaçãoe Entropia ● Através da análise do ganho de informação e da entropia, busca-se o nó que pode melhor prever o resultado da classificação; ● Há maior ganho de informação através do atributo que, ao se tornar um nó, produz subconjuntos com menor entropia. Professor: Cloves Rocha | Árvore de Decisão
- 10. Principais Algoritmos ● ClassificationAnd Regression Trees (CART) Desenvolvido por Breiman, é caracterizado pelo fato de construir árvores binários, ou seja, cada nó possui exatamente duas bordas de saída. A árvore criada é dividida através do critério de complexidade de custo. O CART pode lidar com variáveis numéricas e categóricas e também com valores discrepantes. Professor: Cloves Rocha | Árvore de Decisão
- 11. Principais Algoritmos ● IterativeDichotomiser 3 (ID3) Desenvolvido por Ross Quinlan, a árvore é construída com base na maximização do ganho de informações e na minimização da entropia, no qual os resultados são usados para dividir o conjunto de objetos. Esse processo é feito de forma recursiva até que o conjunto em uma determinada subárvore seja homogêneo (isto é, contém objetos pertencentes à mesma categoria). Professor: Cloves Rocha | Árvore de Decisão
- 12. Principais Algoritmos ● C4.5 Versãomelhorada no ID3, no qual os novos recursos são: aceitam atributos contínuos e discretos; lida com pontos de dados incompletos; resolve o problema de over-fitting através da técnica de poda; e pesos diferentes podem ser aplicados aos recursos que compõem os dados de treinamento. Professor: Cloves Rocha | Árvore de Decisão
- 13. Principais Algoritmos ● C4.5 Versãomelhorada no ID3, no qual os novos recursos são: aceitam atributos contínuos e discretos; lida com pontos de dados incompletos; resolve o problema de over-fitting através da técnica de poda; e pesos diferentes podem ser aplicados aos recursos que compõem os dados de treinamento. Professor: Cloves Rocha | Árvore de Decisão
- 14. Exemplos ➢ Diagnóstico médico ➢Chatbot ➢ Análise de crédito Professor: Cloves Rocha | Árvore de Decisão
- 15. Bibliografia ➔ BELSON, William.A. Matching and Prediction on the Principle of Biological Classification. Applied Statistics, 1959; ➔ FRATELLO, Michele, TAGLIAFERRI, Roberto. Decision Trees and Random Forests. Reference Module in Life Sciences, 2018; ➔ GAMA, J. Functional Trees. Machine Learning, p. 219-250, 2004. ➔ QUINLAN, John Ross. Simplifying decision trees. International Journal of Man-Machine Studies, p. 221–234, 1987; ➔ TOPÎRCEANU, Alexandru, GROSSECK, Gabriela. Decision tree learning used for the classification of student archetypes in online courses. Procedia Computer Science, p. 51–60, 2017.
- 16. Obrigado! Thank you! Dúvidas? <?php print("ACESSOAO MATERIAL"); Professor: Cloves Rocha | Árvore de Decisão