====== - LAB: Uczenie drzew decyzyjnych ======

Celem ćwiczenia jest zapoznanie się uczeniem drzew decyzyjnych służących do klasyfikacji danych.
Obejmuje to budowanie struktury drzew na podstawie przykładów i ich użycie do klasyfikacji danych.

===== Wprowadzenie =====

Do przeczytania i przygotowania:
  * AIM:18.6-18.11, FCA:11
  * WSI:10


===== Narzędzia =====

Podstawowym narzędziem do realizacji ćwiczeń jest program [[http://www.aispace.org/dTree/|Decision trees]] z [[http://www.aispace.org|AIspace]].


===== Ćwiczenia =====

Pracuj w parze z Koleżanką/Kolegą.
Uruchom narzędzie pisząc w konsoli tekstowej ''ais-dtree''.

  * Przeczytaj wstęp pojęciowy do wybranych zagadnień [[http://artint.info/html/ArtInt_146.html|teorii informacji]]
  * Przeczytaj wstęp do [[http://artint.info/html/ArtInt_177.html|uczenia drzew decyzyjnych]]

==== Przykład klasyfikacji dla czytania emaili ====
  * Przeczytaj [[http://aispace.org/dTree/help/general.shtml|tutorial]]
  * Załaduj przykład //File->Load samle dataset->Mail reading//
  * Obejrzyj przykłady, jak wygląda zbiór uczący, a jak testowy
  * Zbuduj drzewo: przełącz się na zakładkę //Solve// i naciskaj na //Step//, aż do końca budowy drzewa
  * Obserwuj wyniki: //Show plot//, //View node info//
  * Sprawdź które węzły klasyfikują poszczególne przypadki: //View mapped examples//
  * Usuń drzewo //Reset graph//
  * Zmień algorytm budujący //Decision Tree Options->Splitting functions//
  * Porównaj wyniki dla innych algorytmów

==== Klasyfikacja programów i ręczne budowanie drzewa ====
  * Załaduj przykład //Likes TV//
  * Obejrzyj przykłady.
  * Zbuduj automatycznie drzewo wybranym algorytmem i obejrzyj wyniki.
  * Zdefiniuj przykłady testowe: //View/Edit examples//
  * Dokonaj klasyfikacji: //Test examples//
  * Spróbuj przenieść wybrane elementy zbioru uczącego do przykładów testowych - jak to wpływa na strukturę budowanego drzewa?

  * Następnie usuń drzewo //Reset graph//
  * Spróbuj dokonać ręcznej konstrukcji drzewa, wybierając opcję //Split node// -> zwróć uwagę na parametry osiągane przy rozgałęzianiu z użyciem różnych atrybutów.
  * Porównaj kilka otrzymanych drzew i to jak klasyfikuję dane, w porównaniu do tego, które jest budowane automatycznie.

==== Rozbudowane przykłady ====
  * Obejrzyj pozostałe przykłady zbiorów danych
  * W wybranych z nich rozbuduj zbiór uczący i obserwuj wyniki.
  * Spróbuj przenieść wybrane elementy zbioru uczącego do przykładów testowych - jak to wpływa na strukturę budowanego drzewa?
  * Dokonaj modyfikacji wybranego przykładu

  * Wzorując się wybranym przykładem, np. //Likes TV// lub //Classification of animals// spróbuj zbudować własny używając różnego typu atrybutów, tj. boolowskich, symbolicznych i numerycznych.

==== DT a NN ====
  * Uruchom równocześnie program do budowy [[neural|sieci neuronowych]]
  * Spróbuj załadować te same przykłady do obu programów.
  * Porównaj klasyfikację.
  * Spróbuj dokonać podobnych modyfikacji w zbiorach uczących i porównaj wyniki.