Aprendizagem de Máquina

Apresentação em tema: "Aprendizagem de Máquina"— Transcrição da apresentação:

1 Aprendizagem de Máquina
Seleção de Atributos Aprendizagem de Máquina Artur Aquino Gabriel Albuquerque Hallan Cosmo

2 Roteiro Introdução Metodologia PSO O Problema Implementação Resultados
Comparação Conclusão

3 Introdução Atributos não relevantes podem reduzir a precisão dos algoritmos de aprendizado supervisionado Algoritmos de seleção de atributos buscam selecionar atributos não redudantes e relevantes. O problema aqui é: qual caminho tomar para selecionar os atributos? Busca exaustiva não é uma boa estratégia

4 Metodologia Seleção de atributos
Algoritmo: Particle Swarm Optimization – PSO Algoritmo supervisionado no WEKA WrapperSubset Eval Comparação

5 PSO Foi inicialmente descrito em 1995 por James Kennedy e Russell C. Eberhart mas evoluiu muito desde então É uma espécie de inteligência coletiva de um enxame baseada em principios psico-sociológicos Pode ser utilizado para demonstrar comportamentos sociais ou aplicações de engenharia

6 PSO O PSO é um algoritmo de otimização estocástico e baseado em populações Os atributos são abstraídos para partículas no espaço Posição Taxa de mudança Velocidade

7 PSO Comunicação -> Melhor posição Local Global
Ajuste buscando o ótimo Posição Velocidade

8 PSO - Exemplo Gaivotas telepáticas (trocam informações) em posições aleatórias buscando a melhor fonte de comida Como sabem qual gaivota está mais próxima alteram velocidade e posição Vão mantendo o registro das melhores posições e velocidades Convergem para a fonte de comida (o ótimo)

9 O Problema Temos um problema de classificação, onde devemos determinar se um animal é Peixe ou não. A partir de um conjunto de atributos, em que, eventualmente, alguns são irrelevantes e reduzem a precisão do algoritmo.

10 Implementação PSO - Algoritmo de busca Classificador Naive Bayes
Comparação Naive Bayes do Weka

11 Resultados Experimentamos diferentes quantidades de partículas no espaço

12 Comparação PSO x todos os atributos x weka Acerto calculado no weka
Diferença muito pequena Quantidade de atributos Weka: 20 PSO: 6 (10000 partículas)

13 Conclusão Muitos atributos não é necessariamente vantagem Redundância
Irrelevância PSO tende a melhorar com o aumento de partículas inicialmente geradas Até certo ponto O algoritmo implementado foi muito básico mas, ainda assim consegue resultados próximos ao do weka com menos atributos

14 Aprendizagem de Máquina
Seleção de Atributos Aprendizagem de Máquina Artur Aquino Gabriel Albuquerque Hallan Cosmo