To jest stara wersja strony!


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 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.

080527

  • Pytania:
    • Czy jako zbiór uczący może być cała dziedzina, czyli 'dni x godziny x miesiące'?
    • Czy musimy obsługiwać przekłamane przykłady uczące i braki (brak któregoś atrybutu)?
  • Testy:
    • Losowy zbiór uczący składający sie z 150 przykładów
    • Dziedzina składa się z 2016 przypadków
    • Najpierw algorytm buduje drzewo z 150 przykładów zbioru uczącego, następnie pozostałe 1866 są testowane w zbudowanym drzewie
  • Testy algorytmu ID3
    • Przykładowe drzewo które nie zostało w pełni wygenerowane ponieważ program graphviz nie poradził sobie. Było to związane z tym, że atrybuty początkowe zawierały zbyt wiele wartości i każda z nich była w każdym wyniku testu opierającego się o ten atrybut. Czasochłonne i pamięciochłonne było też konstruowanie i przechowywanie w pamięci takiego drzewa.
    • Wykonano 20 testów.
    • Średnia skuteczność wynosiła 55.3%
    • Poprawnie sklasyfikowane przykłady testowe wahały się od 904 do 1111

080610

  • Testy(przeprowadzane jak przy ID3) algorytmu ID3 uzupełnionego o występujące w C4.5 agregowanie wartości porządkowych i zmianę atrybutów na prostsze
  • Wyniki:
    • Przykładowe drzewo 1 oraz plik .txt 1 odwzorowujący atrybuty początkowe na te atrybuty po agregacji
    • Przykładowe drzewo 2 oraz plik .txt 2 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 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 (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.

Sprawozdanie

Materiały

Wiele linków o ML z Politechniki Poznańskiej

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

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.

ID3_algorithm C4.5_algorithm Decision_tree Drzewo decyzyjne na Wikipedii

pl/miw/miw08_rbs_ml.1213566131.txt.gz · ostatnio zmienione: 2019/06/27 15:58 (edycja zewnętrzna)
www.chimeric.de Valid CSS Driven by DokuWiki do yourself a favour and use a real browser - get firefox!! Recent changes RSS feed Valid XHTML 1.0