Texto completo
| |
| Autor(es): |
Claudia Aparecida Martins
Número total de Autores: 1
|
| Tipo de documento: | Dissertação de Mestrado |
| Imprenta: | São Carlos. |
| Instituição: | Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) |
| Data de defesa: | 1994-11-01 |
| Membros da banca: |
Maria Carolina Monard;
Márcio Luiz de Andrade Netto;
Maria das Graças Volpe Nunes
|
| Orientador: | Maria Carolina Monard |
| Resumo | |
Aprendizado Indutivo é uma técnica utilizada em Aprendizado de Máquina cujo objetivo é induzir uma descrição geral de conceitos - hipóteses - através de instâncias destes conceitos - exemplos de treinamento. Entre vários paradigmas de aprendizado indutivo, um bastante difundido é o uso de árvores de decisão. Árvores de decisão são utilizadas como linguagem de descrição de conceitos quando os exemplos são descritos como vetores de pares atributo-valor. A indução de uma árvore de decisão é realizada através do conjunto de treinamento que tenta classificar os exemplos na árvore de forma a acomodá-los. Os algoritmos de construção da árvore de decisão podem operar de dois modos: no modo não incremental, no qual o algoritmo infere o conceito de uma vez, baseado no conjunto total de instâncias disponíveis, e no modo incremental, no qual o algoritmo revê a definição do conceito corrente, se necessário. em resposta a cada nova instância de treinamento observada. Uma questão importante a ser observada na indução de árvores de decisão, através de exemplos, é que muitas vezes os atributos iniciais - features primitivas - não são relevantes para descrever os conceitos, mas quando convenientemente combinados, gerando novas, features, podem tornar-se altamente representativos para expressar um conceito. Este processo de construção de features é denominado de Indução Construtiva e seu objetivo é ampliar os limites de uma linguagem baseada em atributos. Este trabalho apresenta dois algoritmos de indução de árvores de decisão , um no modo incremental , e o outro não incremental, para um conjunto de instâncias de treinamento com atributos booleanos. É apresentado, também, um algoritmo de pós-poda para árvore de decisão binária com o objetivo de melhorar a confiabilidade estatística da árvore. Referente à indução construtiva, três algoritmos para a construção automática de features de funções booleanas são apresentados. As implementações realizadas foram integradas a dois ambientes de aprendizado experimental denominados Ambiente Experimental TDIDT para Atributos Booleanos e Ambiente Experimental Construtivo para Atributos Booleanos, respectivamente. (AU) | |
| Processo FAPESP: | 92/01586-0 - Aprendizado simbolico de maquina usando arvores de decisao. |
| Beneficiário: | Claudia Aparecida Martins |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |