Classificação OO.pdf

7/21/2019 Classificao OO.pdf

1/34

Classificao

Classificao OO


2/34


3/34

Terminologia

Exemplo, um objeto, um caso, umregistro, um tupla

Atributo, varivel, feature, caracterstica

Conjunto de treinamento, conjunto detesteAprendizado

Avaliao


4/34

Hiptese do Aprendizado Indutivo

A tarefa no deterministica

Qualquer hiptese que aproxime bem oconceito alvo num conjunto detreinamento, suficientemente grande,aproximara o conceito alvo para exemplosno observados.


5/34

Overfitting e Underfitting

A1A1

A2 A2

-- - - - - -

- - -- - - - -- - - -

+ +-- - -- - - -

-- - - - - -

- - -- - - - -- - - -

+ +-- - -- - - -

+ + +

+ + +

+ + +

+ + +

+ + +

+ + +

+ + +

+ + +

+ + +

+ + +


6/34


7/34

Consistncia e Completude

Depois de induzida, uma hiptese podeser avaliada sobre

consistncia, se classifica corretamente osexemplos

completude, se classifica todos osexemplos


8/34


9/34


10/34


11/34


12/34

Medindo a qualidade da predio

Preciso, compreensvel e interessante

Acuracia = classificados corretamente/total de exemplos

Erro = 1-Acuracia


13/34

Matriz de Confuso

A matriz de confuso de uma hiptese hoferece uma medida efetiva do modelo declassificao, ao mostrar o nmero de

classificaes corretas versus asclassificaes preditas para cada classe,sobre um conjunto de exemplos T


14/34

Matriz de Confuso


15/34


16/34


17/34


18/34

Prevalncia de Classe

Um ponto muito importante em AM refere-se aodesbalanceamento de classes em um conjunto deexemplos

Por exemplo, suponha um conjunto de exemplos T coma seguinte distribuio de classes dist(C1, C2, C3) =(99.00%, 0.25%, 0.75%), com prevalncia da classe C1

Um classificador simples que classifique sempre novosexemplos como pertencentes classe majoritria C1teria uma preciso de 99,00% (maj-err(T) = 1,00%)

Isto pode ser indesejvel quando as classes minoritriasso aquelas que possuem uma informao muitoimportante, por exemplo, supondo C1: paciente normal,C2: paciente com doena A e C3: paciente com doenaB


19/34

Prevalncia de Classe importante estar ciente, quando se trabalha com conjuntos de

exemplos desbalanceados, que desejvel utilizar uma medida dedesempenho diferente da preciso

Isto deve-se ao fato que a maioria dos sistemas de aprendizado projetada para otimizar a preciso

Com isso, normalmente os algoritmos apresentam um desempenhoruim se o conjunto de treinamento encontra-se fortementedesbalanceado, pois os classificadores induzidos tendem a seraltamente precisos nos exemplos da classe majoritria, masfreqentemente classificam incorretamente exemplos das classesminoritrias

Algumas tcnicas foram desenvolvidas para lidar com esse

problema, tais como a introduo de custos de classificaoincorreta (explicada mais adiante), a remoo de exemplosredundantes ou prejudiciais ou ainda a deteco de exemplos deborda e com rudo


20/34

Custos de Erros

Medir adequadamente o desempenho declassificadores, atravs da taxa de erro (ou preciso)assume um papel importante em AM, uma vez que oobjetivo consiste em construir classificadores com baixa

taxa de erro em novos exemplos Entretanto, ainda considerando o problema anteriorcontendo duas classes, se o custo de ter falsos positivose falsos negativos no o mesmo, ento outrasmedidas de desempenho devem ser usadas

Uma alternativa natural, quando cada tipo declassificao incorreta possui um custo diferente oumesmo quando existe prevalncia de classes, consisteem associar um custo para cada tipo de erro


21/34

Custos de Erros

O custo cost(Ci,Cj) um nmero que representauma penalidade aplicada quando o classificadorfaz um erro ao rotular exemplos, cuja classeverdadeira Ci, como pertencentes classe Cj,onde i,j = 1, 2, ..., k e k o nmero de classes

Assim, cost(Ci,Ci) = 0, uma vez que noconstitui um erro e cost(Ci,Cj) > 0, i j

Em geral, os indutores assumem quecost(Ci,Cj)=1, ij, caso esses valores no sejamdefinidos explicitamente


22/34


23/34


24/34


25/34


26/34


27/34


28/34

Estimao da Acuracia

2/3 treinamento, 1/3 teste

Validao cruzada K conjuntos exclusivos e exaustivos

O algoritmo executado k vezes

Estratificao Mesmo conjunto de classes em cada conjunto


29/34

Bias Indutivo

Qualquer critrio, implcito ou explicito,utilizado para decidir entre uma hiptese eoutra, sem ser a consistncia com os

dados. Bias de representao,

Bias de preferncia.


30/34


31/34


32/34

Bias de Preferncia

Como o algoritmo prefere uma hiptesefrente a outra.

Qualidade da regra

A estratgia utilizada para gerar novasregras a partir da atual.


33/34

Occams Razor

Entidades no devem ser multiplicadassem necessidade

Entre todas as hipteses consistentescom a evidencia, a mais simples a maisprovvel de ser verdadeira.


34/34

O principio de mnimo comprimentode descrio (MDL)

Heurstica Comprimento da hiptese

Comprimento dos dados, o comprimento dos

dados quando codificado usando a hiptesecomo preditor O comprimento do termo de codificao das

instancias que so exees

Classificação OO.pdf

Documents

Transcript of Classificação OO.pdf