Różnice między wybraną wersją a wersją aktualną.
| Both sides previous revision Poprzednia wersja | |||
|
pl:miw:miw08_rbs_ml:historia [2008/06/16 12:27] miw |
pl:miw:miw08_rbs_ml:historia [2019/06/27 15:50] (aktualna) |
||
|---|---|---|---|
| Linia 1: | Linia 1: | ||
| + | ====== Historia spotkań ====== | ||
| + | ===== 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. | ||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | ===== 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 | ||
| + | * [[ http://student.agh.edu.pl/~morcinek/AGH/MIW/No_aggregate.gif |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. Ilość liści takiego drzewa wynosi 7 (dni) x 24 (godziny) x 12 (miesięcy) = 2016. | ||
| + | * 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: | ||
| + | * [[ :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). | ||
| + | |||
| + | * Przerobienie całości projektu z języka **C#** na język **Java** | ||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
