Indução de Árvores de Decisão
Indução de Árvores de Decisão Indução de Árvores de Decisão
Árvore de Decisão Induzida Umidade 75 sim não sol Aparência nublado sim chuva Ventando falso verdadeiro sim não 84
Atributos com Valores Desconhecidos (Missing Values) O algoritmo básico para construção da DT assume que o valor de um teste para cada exemplo de treinamento possa ser determinado Além disso, o processo de classificação de novos exemplos requer uma escolha em cada ramo da árvore, escolha esta baseada em um atributo, cujo valor deve ser conhecido Entretanto, em dados do mundo real é freqüente o fato que um atributo apresente valores desconhecidos O valor não é relevante para aquele exemplo particular O valor não foi armazenado quando os exemplos foram coletados O valor não pôde ser decifrado (se escrito à mão) pela pessoa que digitou os dados 85
- Page 28 and 29: Árvore de Decisão Induzida (sem p
- Page 30 and 31: Árvore de Decisão Induzida (podad
- Page 32 and 33: Relação entre Tamanho da Árvore
- Page 34 and 35: Escolha do Atributo A chave para o
- Page 36 and 37: Exercício Calcule info(T) para U
- Page 38 and 39: Entropia Considere agora que T foi
- Page 40 and 41: Solução [29+,35-] True False [21+
- Page 42 and 43: Exercício [29+,35-] True False [21
- Page 44 and 45: Exemplo 44
- Page 52: Escolha do Atributo para Particiona
- Page 61: Árvore de Decisão Induzida Umidad
- Page 64 and 65: Razão de Ganho T=[1a,1b,1c,...,1o,
- Page 66 and 67: Razão de Ganho Usando o exemplo a
- Page 68 and 69: Exemplo 68
- Page 70 and 71: Escolha do Atributo para Particiona
- Page 72: Escolha do Atributo para Particiona
- Page 87 and 88: Atributos com Valores Desconhecidos
- Page 89 and 90: Escolha de um Teste Assumindo que
- Page 91 and 92: Exercício Calcular info(T), info(A
- Page 93 and 94: Solução 93
- Page 95 and 96: Particionando o Conjunto de Treinam
- Page 97 and 98: Exemplo Quando os 14 exemplos são
- Page 99 and 100: Exemplo Distribuições de classes
- Page 102 and 103: Exemplo aparencia = sol :...umidade
- Page 104 and 105: Pré-Poda Evita gastar tempo const
- Page 106 and 107: Pós-Poda Existem várias forma de
- Page 108 and 109: Análise de Complexidade Vamos ass
- Page 110 and 111: Interpretação Geométrica Consid
- Page 112 and 113: X2 8 Interpretação Geométrica p/
- Page 114 and 115: X2 8 Interpretação Geométrica p/
- Page 116 and 117: Combinação Linear de Atributos P
- Page 118 and 119: Resumo Árvores de decisão, em ge
- Page 120 and 121: nenhuma (12) taxa-producao-lagrimas
- Page 122 and 123: nenhuma (12) taxa-producao-lagrimas
Atributos com Valores<br />
Desconhecidos (Missing Values)<br />
O algoritmo básico para construção da DT assume que o<br />
valor <strong>de</strong> um teste para cada exemplo <strong>de</strong> treinamento<br />
possa ser <strong>de</strong>terminado<br />
Além disso, o processo <strong>de</strong> classificação <strong>de</strong> novos<br />
exemplos requer uma escolha em cada ramo da árvore,<br />
escolha esta baseada em um atributo, cujo valor <strong>de</strong>ve ser<br />
conhecido<br />
Entretanto, em dados do mundo real é freqüente o fato<br />
que um atributo apresente valores <strong>de</strong>sconhecidos<br />
O valor não é relevante para aquele exemplo particular<br />
O valor não foi armazenado quando os exemplos foram coletados<br />
O valor não pô<strong>de</strong> ser <strong>de</strong>cifrado (se escrito à mão) pela pessoa<br />
que digitou os dados<br />
85