APRENDIZADO DE MÁQUINA POR EXEMPLOS USANDO ÁRVORES DE DECISÃO

Detalhes bibliográficos
Autor(a) principal: Castiñeira, Maria Inés
Data de Publicação: 1990
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-21022019-100634/
Resumo: O Aprendizado de Máquina é uma importante área de pesquisa em Inteligência Artificial pois a capacidade de aprender é essencial para um comportamento inteligente. Em particular, um dos objetivos da pesquisa em Aprendizado de Máquina é o de auxiliar o processo de aquisição de conhecimento facilitando a construção de Sistemas Baseados em Conhecimento. Uma das formas de aprendizagem é por generalizações, isto é, através de processos indutivos. São várias as estratégias desenvolvidas para Aprendizado de Máquina por Indução. Uma delas está baseada na construção de árvores de decisão. Esta estratégia abrange uma determinada família de sistemas de aprendizado por indução: a família TDIDT - Top Down Decision Trees. Neste trabalho são apresentadas algumas estratégias de Aprendizado de Máquina, dando ênfase aos sistemas da família TDIDT, bem como detalhes da implementação realizada. Mostra-se que é possível realizar uma implementação geral dos algoritmos desta família. Mostra-se também a importância dos diversos mecanismos de poda em árvores de decisão. Um método de poda específico é usado para podar árvores geradas em diversos domínios. Os resultados obtidos evidenciam que este método reduz a complexidade da árvore e produz ganhos significativos na classificação por ela realizada.
id USP_5853e0a53b92edffd289b8d1720951cf
oai_identifier_str oai:teses.usp.br:tde-21022019-100634
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling APRENDIZADO DE MÁQUINA POR EXEMPLOS USANDO ÁRVORES DE DECISÃONot availableNão disponívelNot availableO Aprendizado de Máquina é uma importante área de pesquisa em Inteligência Artificial pois a capacidade de aprender é essencial para um comportamento inteligente. Em particular, um dos objetivos da pesquisa em Aprendizado de Máquina é o de auxiliar o processo de aquisição de conhecimento facilitando a construção de Sistemas Baseados em Conhecimento. Uma das formas de aprendizagem é por generalizações, isto é, através de processos indutivos. São várias as estratégias desenvolvidas para Aprendizado de Máquina por Indução. Uma delas está baseada na construção de árvores de decisão. Esta estratégia abrange uma determinada família de sistemas de aprendizado por indução: a família TDIDT - Top Down Decision Trees. Neste trabalho são apresentadas algumas estratégias de Aprendizado de Máquina, dando ênfase aos sistemas da família TDIDT, bem como detalhes da implementação realizada. Mostra-se que é possível realizar uma implementação geral dos algoritmos desta família. Mostra-se também a importância dos diversos mecanismos de poda em árvores de decisão. Um método de poda específico é usado para podar árvores geradas em diversos domínios. Os resultados obtidos evidenciam que este método reduz a complexidade da árvore e produz ganhos significativos na classificação por ela realizada.Machine Learning is an important research area of Artificial Intelligence, since the ability to learn is central to intelligent bahavior. Making generalizations - induction - is the means by which humans learn most of their knowledge. In this work we describe several approaches to Machine Learning and concetrate our attention on a family of learning systems called TDIDT - Top Down Induction Decision Trees. The task of these systems in to induce general descriptions of concepts, from examples of this concepts, using decision trees as a knowledge formlism. Although decision trees are a simple formalismm the learning methodologies used by the TDIDT family are less complex than the mehodologies used by other systems that employ a more powerful language to express the results of the learning process. Nevertheless, decision trees are capable of capturing knowledge which is useful to solve difficult problems. In general, TDIDT family\'s algorithms develops a decision tree from a set of examples in three main stages: construction of the tree to classify the examples, pruning such a tree to give statistical reliability and processing of the pruned tree to improve understandability. In this work the first two stages are considered. Related to the first stage, we propose an efficient Prolog implementation for the construction of decision trees. The decision tree is grown by choosing, at each node, the attribute which divides \"best\" the set of examples considered. In this particular implementation the attribute is chosen by an entropy measure, although it is simple to redefine and implement in the system another kind of measure. Related to the second stage we propose a pruning method which estimates the classification errors in the nodes of the decision tree peviously constructed and then, considering this errors, decides whether to prune certain subtrees. This method was applied to several domaiins and sets of data to measure the size of the pruned tree and its accuracy. Results show that the complexity of the pruned decision tree decreases while its accuracy invreases; both measures are heavily dependent on the domain.Biblioteca Digitais de Teses e Dissertações da USPMonard, Maria CarolinaCastiñeira, Maria Inés1990-11-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/55/55134/tde-21022019-100634/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2019-04-09T23:21:59Zoai:teses.usp.br:tde-21022019-100634Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212019-04-09T23:21:59Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv APRENDIZADO DE MÁQUINA POR EXEMPLOS USANDO ÁRVORES DE DECISÃO
Not available
title APRENDIZADO DE MÁQUINA POR EXEMPLOS USANDO ÁRVORES DE DECISÃO
spellingShingle APRENDIZADO DE MÁQUINA POR EXEMPLOS USANDO ÁRVORES DE DECISÃO
Castiñeira, Maria Inés
Não disponível
Not available
title_short APRENDIZADO DE MÁQUINA POR EXEMPLOS USANDO ÁRVORES DE DECISÃO
title_full APRENDIZADO DE MÁQUINA POR EXEMPLOS USANDO ÁRVORES DE DECISÃO
title_fullStr APRENDIZADO DE MÁQUINA POR EXEMPLOS USANDO ÁRVORES DE DECISÃO
title_full_unstemmed APRENDIZADO DE MÁQUINA POR EXEMPLOS USANDO ÁRVORES DE DECISÃO
title_sort APRENDIZADO DE MÁQUINA POR EXEMPLOS USANDO ÁRVORES DE DECISÃO
author Castiñeira, Maria Inés
author_facet Castiñeira, Maria Inés
author_role author
dc.contributor.none.fl_str_mv Monard, Maria Carolina
dc.contributor.author.fl_str_mv Castiñeira, Maria Inés
dc.subject.por.fl_str_mv Não disponível
Not available
topic Não disponível
Not available
description O Aprendizado de Máquina é uma importante área de pesquisa em Inteligência Artificial pois a capacidade de aprender é essencial para um comportamento inteligente. Em particular, um dos objetivos da pesquisa em Aprendizado de Máquina é o de auxiliar o processo de aquisição de conhecimento facilitando a construção de Sistemas Baseados em Conhecimento. Uma das formas de aprendizagem é por generalizações, isto é, através de processos indutivos. São várias as estratégias desenvolvidas para Aprendizado de Máquina por Indução. Uma delas está baseada na construção de árvores de decisão. Esta estratégia abrange uma determinada família de sistemas de aprendizado por indução: a família TDIDT - Top Down Decision Trees. Neste trabalho são apresentadas algumas estratégias de Aprendizado de Máquina, dando ênfase aos sistemas da família TDIDT, bem como detalhes da implementação realizada. Mostra-se que é possível realizar uma implementação geral dos algoritmos desta família. Mostra-se também a importância dos diversos mecanismos de poda em árvores de decisão. Um método de poda específico é usado para podar árvores geradas em diversos domínios. Os resultados obtidos evidenciam que este método reduz a complexidade da árvore e produz ganhos significativos na classificação por ela realizada.
publishDate 1990
dc.date.none.fl_str_mv 1990-11-09
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://www.teses.usp.br/teses/disponiveis/55/55134/tde-21022019-100634/
url http://www.teses.usp.br/teses/disponiveis/55/55134/tde-21022019-100634/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815257234710462464

Registros relacionados