A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Reconhecimento de Padrões Aprendizagem Supervisionada (KNN) David Menotti, Ph.D. www.decom.ufop.br/menotti Universidade Federal de Ouro Preto (UFOP) Programa.

Apresentações semelhantes


Apresentação em tema: "Reconhecimento de Padrões Aprendizagem Supervisionada (KNN) David Menotti, Ph.D. www.decom.ufop.br/menotti Universidade Federal de Ouro Preto (UFOP) Programa."— Transcrição da apresentação:

1 Reconhecimento de Padrões Aprendizagem Supervisionada (KNN) David Menotti, Ph.D. Universidade Federal de Ouro Preto (UFOP) Programa de Pós-Graduação em Ciência da Computação (PPGCC)

2 Tipos de Aprendizagem Introduzir diferentes tipos de aprendizagem –Supervisionada Métodos paramétricos e não paramétricos. –Não Supervisionada –Incremental –Com Reforço

3 Aprendizagem Supervisionada Alguém (um professor) fornece a identificação (rótulos) de cada objeto da base de dados. –Métodos Paramétricos: Assumem que a distribuição dos dados é conhecida (distribuição normal por exemplo) –Métodos Não-Paramétricos: Não consideram essa hipótese.

4 Aprendizagem Supervisionada Em muitos casos não se tem conhecimento da distribuição dos dados. Conseqüentemente, utilizar um método paramétrico pode não ser adequado. Distribuição Normal

5 Aprendizagem Supervisionada Um algoritmo não-paramétrico para aprendizagem supervisionada é o k-NN (k Nearest Neighbor). Consiste em atribuir a um exemplo de teste x a classe do seu vizinho mais próximo.

6 k-NN Significado de k: –Classificar x atribuindo a ele o rótulo representado mais freqüentemente dentre as k amostras mais próximas. –Contagem de votos. Uma medida de proximidade bastante utilizada é a distância Euclidiana:

7 Distância Euclidiana x = (2,5) y = (3,4) 1.41

8 Distância Euclidiana

9 k-NN: Um Exemplo A qual classe pertence este ponto? Azul ou vermelho? não se pode afirmar vermelho – 5,2 - 5,3 vermelho – 5,2 - 5,3 - 6,2 azul – 3,2 - 2,3 - 2,2 - 2,1k=7 k=5 k=1 k=3 Calcule para os seguintes valores de k: A classificação pode mudar de acordo com a escolha de k.

10 Matriz de Confusão Matriz que permite visualizar as principais confusões do sistema. Considere um sistema com 3 classes, 100 exemplos por classe. c1c2c3 c1100 c2100 c % de classificação c1c2c3 c19010 c2100 c3595 Erros de classificação 10 exemplos de C1 foram classificados como C2

11 Exercício Implementar em C um kNN. –Mostrar a taxa de reconhecimento do sistema para k= {1,3,5,7} –Mostrar a matriz de confusão. –Analisar o impacto da base de aprendizagem na taxa de reconhecimento.


Carregar ppt "Reconhecimento de Padrões Aprendizagem Supervisionada (KNN) David Menotti, Ph.D. www.decom.ufop.br/menotti Universidade Federal de Ouro Preto (UFOP) Programa."

Apresentações semelhantes


Anúncios Google