Różnice między wybraną wersją a wersją aktualną.
| Both sides previous revision Poprzednia wersja Nowa wersja | Poprzednia wersja | ||
|
pl:miw:miw08_rbs_ml [2008/06/16 12:18] miw |
pl:miw:miw08_rbs_ml [2008/06/16 16:19] gjn |
||
|---|---|---|---|
| Linia 1: | Linia 1: | ||
| - | ====== Opis ====== | ||
| - | Krzysztof Morcinek, <krzysztof.morcinek@gmail.com> | ||
| - | |||
| - | Uczenie maszynowe w RBS, jako metoda rozbudowy/rozszerzania istniejącego systemu o nowe reguły, modyfikacja reguł, przykłady. | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | ====== Spotkania ====== | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | ===== 080311 ===== | ||
| - | |||
| - | |||
| - | ===== 080401 ===== | ||
| - | * jak metodami uczenia maszynowego //automatycznie// budować model ARD? | ||
| - | * jak uczenie maszynowe może prowadzić do rozbudowy bazy reguł? | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | ===== 080520 ===== | ||
| - | * Zaimplementować uczenie maszynowe dla [[hekate:hekate_case_thermostat|Termostatu]]. | ||
| - | * Zastosowano algorytm ID3, lecz wtedy tworzy sie zbyt wiele gałęzi. | ||
| - | * Pójście w stronę C4.5 na początku następuje agregacja (wartości są uporządkowane) i zmiana atrybutów porządkowych na inne o mniejszej ilości możliwych wartości. | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | ===== 080610===== | ||
| - | |||
| - | |||
| - | * Testy(przeprowadzane jak przy ID3) algorytmu ID3 uzupełnionego o występujące w C4.5 agregowanie wartości porządkowych i zmianę atrybutów na prostsze | ||
| - | |||
| - | * Wyniki: | ||
| - | * [[ :pl:miw:miw08_rbs_ml:tree1 |Przykładowe drzewo 1]] oraz [[:pl:miw:miw08_rbs_ml:aggregate1 |Aggregate1.txt]] odwzorowujący atrybuty początkowe na te atrybuty po agregacji | ||
| - | * [[ :pl:miw:miw08_rbs_ml:tree2 |Przykładowe drzewo 2]] oraz [[:pl:miw:miw08_rbs_ml:aggregate2 |Aggregate2.txt]] odwzorowujący atrybuty początkowe na te atrybuty po agregacji | ||
| - | * Wykonano 20 testów | ||
| - | * Średnia skuteczność wynosiła 91.2% | ||
| - | * Poprawnie sklasyfikowane przykłady testowe wahały się od 1488 do 1866 | ||
| - | * Wyniki uzyskane ulepszonym algorytmem ID3 są lepsze ponieważ już przed rozpoczęciem budowy drzewa zamieniamy wielowartościowe atrybuty na prostsze (mniejsza ilość wartości). Korzystam ze zbioru uczącego się zawierającego 7,4% przykładów (150 / 2016). Zwykły algorytm ID3 dobrze dopasuje każdy ze 150 przykładów, lecz zabraknie mu ogólności dla przykładów spoza tego zbioru. Agregacja pozwala nam podzielić wartości zbyt licznych atrybutów i przejść na prostsze biorąc pod uwagę przyrost informacji (entropię). Najbardziej pożądane jest tak podzielić wartości aby w danym zbiorze występowała przewaga jednych pojęć docelowych (np jednego, kilku) nad pozostałymi (najlepiej żeby ich nie było). | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | ====== Projekt ====== | ||
| - | |||
| - | |||
| - | * Projekt pisany jest w języku Java w edytorze Eclipse. | ||
| - | |||
| - | * Używane pliki: | ||
| - | * [[ pl:miw:miw08_rbs_ml:attrchangecollection | attrchangecollection.java]] | ||
| - | * [[ pl:miw:miw08_rbs_ml:attributchange | attributchange .java]] | ||
| - | * [[ pl:miw:miw08_rbs_ml:days | days.java]] | ||
| - | * [[ pl:miw:miw08_rbs_ml:decisiontree | decisiontree.java]] | ||
| - | * [[ pl:miw:miw08_rbs_ml:month | month.java]] | ||
| - | * [[ pl:miw:miw08_rbs_ml:nominaltest | nominaltest.java]] | ||
| - | * [[ pl:miw:miw08_rbs_ml:program | program.java]] | ||
| - | * [[ pl:miw:miw08_rbs_ml:showednode | showednode.java]] | ||
| - | * [[ pl:miw:miw08_rbs_ml:termostatleaf | termostatleaf.java]] | ||
| - | * [[ pl:miw:miw08_rbs_ml:termostatnode | termostatnode.java]] | ||
| - | * [[ pl:miw:miw08_rbs_ml:thermostat | thermostat.java]] | ||
| - | * [[ pl:miw:miw08_rbs_ml:writefile | writefile.java]] | ||
| - | |||
| - | * [[http://student.agh.edu.pl/~morcinek/AGH/MIW|Aktualna implementacja w języku C#]] | ||
| - | |||
| - | * ID3 opis mojej implementacji: | ||
| - | * Do zbioru uczącego będziemy się odwoływać poprzez indeksy, do funkcji BuildTree() przekażemy listę indeksów opisujących przykłady na podstawie których będzie generowany węzeł. Funkcja BuildTree() pobiera jeszcze zbiór niewykorzystanych testów oraz etykietę większościową dla danego drzewa, a zwraca liść lub węzeł. | ||
| - | * Sprawdzamy Kryterium Stopu - wtedy zwracany jest liść z przypisaną mu etykietą, kryteria: | ||
| - | * Brak przykładów | ||
| - | * Tylko jedna kategoria docelowa znajduje się w przykładach | ||
| - | * Brak testów | ||
| - | * Wybieramy test na podstawie kryterium Przyrostu Informacji ([[wp>Information_entropy]]) | ||
| - | * Tworzymy węzeł i przypisujemy do niego wybrany test i kategorię większościową | ||
| - | * W węźle tworzymy słownik w którym każdemu rezultatowi 'r' wybranego testu odpowie węzeł do którego rezultat prowadzi. Nowy węzeł tworzymy poprzez wywołanie rekurencyjnej funkcji buildTree(), do której przekażemy zbiór przykładów spełniających rezultat 'r', kategorę większościową dla tego zbioru oraz zbiór testów pomniejszony o właśnie użyty test. | ||
| - | * C4.5 opis mojej implementacji: | ||
| - | * Problemem poprzedniego algorytmu była zbyt duża ilość wartości, które mogłyby być pogrupowane. Rozwiązaniem jest np. agregacja atrybutów porządkowych. Godziny, dni tygodnia oraz miesiące nadają się do tego doskonale. | ||
| - | * Używamy dyskretyzacji zstępującej, próg wybierając również na podstawie kryterium Przyrostu Informacji ([[wp>Information_entropy]]). | ||
| - | * Atrybuty są przekształcane na te o mniejszej ilości wartości i poddane z nowymi atrybutami jako wejście algorytmu omówionego powyżej czyli ID3. | ||
| - | * Czasami udaję się logicznie podzielić (patrz przykład 1), czasami jednak //losowy// zbiór uczący nie pozwala dobrze zagregować (patrz przykład 2). | ||
| - | * Najważniejszym parametrem jest tutaj próg entropii (m_entropyTreshhold). Określa od jakiej różnicy informacji oraz entropii występującej w podzielonym zbiorze, próg podziału będzie zaakceptowany. | ||
| - | |||
| - | ====== Sprawozdanie ====== | ||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | |||
| - | ====== Materiały ====== | ||
| - | [[http://idss.cs.put.poznan.pl/~stefanowski/mlteaching.html|Wiele linków o ML z Politechniki Poznańskiej]] | ||
| - | |||
| - | [[http://hcs.science.uva.nl/mlteach/index.html|SWI/IFIP Machine Learning Education]] | ||
| - | Strona zawiera niemalże wszystkie rodzaje materiałów edukacyjnych na temat ML. Przeznaczona jest jednocześnie dla fachowców, studentów jak i dla laików. Wiele linków i dostęp do danych testowych ML | ||
| - | |||
| - | [[http://www.fizyka.umk.pl/~duch/indexpl.html|Wodzislaw Duch Home page]] | ||
| - | Zawiera dużo ciekawych linków, informacji na temat lokalnych metod uczenia się, algorytmów ML | ||
| - | |||
| - | |||
| - | Książka Systemy uczące sie. Cichosz P., WNT, Warszawa, 2000, zwłaszcza cały rozdział 3. Indukcja drzew decyzyjnych. oraz 7. Przekształcanie atrybutów. | ||
| - | |||
| - | [[wp>ID3_algorithm]] [[wp>C4.5_algorithm]] [[wp>Decision_tree]] [[http://pl.wikipedia.org/wiki/Drzewo_decyzyjne|Drzewo decyzyjne na Wikipedii]] | ||
| - | |||
