Aprendizado Baseado em Instâncias (IBL)

Apresentação em tema: "Aprendizado Baseado em Instâncias (IBL)"— Transcrição da apresentação:

1 Aprendizado Baseado em Instâncias (IBL)

2 Aprendizado Baseado em Instâncias
Ideia central: guardar todos os exemplos de treinamento {xi,f(xi)}; Vizinho mais próximo: classificar xq, encontrar o exemplo de treinamento mais próximo xn, estime f(xq) <= f(xn) K-Vizinho mais próximos: classificar xq, encontrar os k exemplo de treinamento mais próximos, estime f(xq) o valor mais frequente no caso discreto a media no caso continuo

3 K-Vizinho mais próximos:
classificar xq, encontrar os k exemplo de treinamento mais próximos, estime f(xq) o valor mais frequente no caso discreto a media no caso continuo

4 K-Vizinho mais próximos
Algoritmo de treinamento para cada exemplo de treinamento <x,f(x)>, adicione o exemplo a lista de exemplos de treinamento Algoritmo de Classificação dada uma instância xq a ser classificada Sejam x1,…xk as k instâncias mais similares a xq no conjunto de treinamento. quando (a,b)= 1 se a=b e (a,b)= 0 caso contrario

5 Vizinho mais próximo Seu uso é indicado quando:
as instâncias podem ser representadas como pontos que mapeiam o espaço euclidiano; as instâncias têm menos de 20 atributos existem muitos exemplos no conjunto de treinamento

6 Vantagens Desvantagens O aprendizado é muito rápido
Pode aprender conceitos complexos Não perde informação Desvantagens Tempo de classificação lento Sensivel a atributos irrelevantes

7

8 Vizinho mais próximo O vizinho mais próximo de uma instância é definido em termos da distância Euclidiana A distância entre xi xj é: ar(x) denota o rth attribute da instância.

9

10 Nearest Neighbor com Distância Ponderada
Um refinamento obvio do algoritmo é atribuir pesos a cada k-vizinho de acordo a sua distância a instância a classificar xq.

11 Observações A introdução de pesos no algoritmo o faz um método altamente efetivo para varios problemas práticos Robusto a dados com ruído e efetivo com grandes bases de treinamento É altamente sensivel ao conjunto de atributos árvores de decisão é capaz de descartar os atributos irrelevantes

12 Regressão Localmente Ponderada
Esta abordagem usa exemplos de treinamento ponderados por sua distância para formar uma aproximação explicita a f função linear, quadratica, rede neural ou alguma outra função.

13 Problemas de Dimensionalidade
Imagine instâncias descritas por 20 atributos mais somente 2 são relevantes Abordagens: “Stretch”, são atribuidos pesos aos atributos, os pesos são escolhidos de forma a minimizar os erros de predição escolha aleatoriamente casos e estime pesos para predição acurada repita 1 com diferentes casos para obter pesos mais confiaveis

14 Problemas de Recuperação
Indexação eficiente de memória Kd-Tree as instâncias são guardadas nas folhas da árvore, com as instâncias vizinhas nos nó mais pertos.

15 Raciocinio Baseado em Casos

16 O que é RBC Solucionar um problema novo lembrando uma situação similar previa, reutilizando conhecimento e informação de tal situação. Utilizada em todas as áreas: médica financiera

17 Raciocinio Baseado em Casos
Instâncias ou casos podem ser representados por descrições simbolicas mais complexas. Requer uma medida de similaridade diferente a distância euclidiana Os casos recuperados podem ser combinados para formar a solução do problema novo, baseado em raciocinio baseado em conhecimento.

18

19 Aprendizado lazy não generaliza a função de classificação
aproximação local treinamento rápido classificação lenta k-NN considera todos os atributos