Академический Документы
Профессиональный Документы
Культура Документы
de datos o KDD (Knowledge Discovery in Databases) es el proceso no trivial de indentificar patrones a partir de los datos
Vlidos Novedosos
Potencialmente tiles
Comprensibles
1
La minera de datos se refiere a la aplicacin de mtodos de aprendizaje y estadsticos para la obtencin de patrones y modelos
Arboles de decisin
Reglas de clasificacin y asociacin
Algoritmos Genticos
Lgica Difusa Redes Neuronales
Arboles de decisin
Reglas de clasificacin y asociacin
Algoritmos Genticos
Lgica Difusa Redes Neuronales
Soft-Computing
Arboles de decisin
Reglas de clasificacin y asociacin Algoritmos Genticos
Soft-Computing
Redes Neuronales
Algoritmos Genticos
Lgica Difusa
Redes Neuronales
Algoritmos Genticos
Fueron creados por John Holland en los aos
1970.
Son llamados as porque se inspiran en la
optimizacin.
Algoritmos Genticos
Cmo funcionan?
Comienzan en un punto aleatorio. Utilizan una regla de transicin especificada previamente para indicar la direccin de bsqueda
Algoritmos Genticos
Algoritmos Genticos
Cmo funcionan? Estos algoritmos hacen evolucionar una poblacin de individuos sometindola a acciones semejantes a las que actan en la evolucin biolgica. Mutaciones y recombinaciones genticas. Seleccin de acuerdo con algn criterio (valor de aptitud o fitness), en funcin del cual se decide cules son los individuos ms adaptados, que sobreviven, y cules los menos aptos, que son descartados.
10
Poblacin Poblacin Individuos Inicial 1 2 3 seleccionados Generacin tras para (1 Generacin) mutaciones cruce y mutacin y cruces
11
13
14
http://www.eecs.wsu.edu/~cook/ai/lectures/applets/gatd/gatd.html
15
16
Otros
SeekEnemyfull.avi
17
Algoritmo Gentico
Su aplicacin implica determinar
Representacin gentica de las soluciones Creacin de la poblacin inicial Funcin de aptitud o fitness Operadores genticos de cruce y mutacin Valores de los parmetros
19
Seleccin Proporcional
1 4
2
20
Accionar la ruleta dos veces para elegir dos individuos. Obtener dos hijos del par de padres seleccionados. Repetir el proceso hasta obtener tantos hijos como padres y reemplazar la vieja poblacin por la nueva.
21
siguientes resultados en el orden indicado: 2,1,4,2. Se aplicar crossover con probabilidad 0.8
PadreID 2 1 PadreID 4 2 Cromosoma 11000 4 01101 Cromosoma 10011 2 11000 11 | 000 11011 0110 | 1 Pto.cruce 10 | 011 01100 Hijos 10000 Pto.cruce 1100 | 0 Hijos 11001
pasen intactas.
Aplicar mutacin con probabilidad baja. Ej: 0.001
22
finalizacin
23
25
Algoritmos Evolutivos
Evalan la regla como un todo. Pueden analizar al conjunto de reglas como solucin del problema
Evalan el impacto de aadir o eliminar condiciones en una regla Ejemplo: rboles de decisin
26
Cromosoma = Regla
28
Cromosoma = Regla
Individuos ms cortos. Esto simplifica los operadores genticos.
29
31
32
33
Representacin de consecuente
Incluirlo en el cromosoma y evolucionarlo.
con la misma clase y ejecutar el algoritmo tantas veces como clases haya.
Elegir determinsticamente la clase ms
Ej: La clase que tenga ms representantes en el conjunto de ejemplos que verifiquen el antecedente
34
peores individuos (reglas) por los dos hijos de los dos mejores.
El cruce es de dos puntos y mutacin uniforme.
35
Soporte
84,314
Confianza
96,166
Regla
SI (0 Ptos.cncavos medios < 0.024) Y (0 Radio <0.6) Y (0 Area < 110) entonces BENIGNO SI (1008 Area Mala < 1831) entonces MALIGNO SI (0 Area Mala < 78,571) Y (185 Area Mala < 772,857) entonces BENIGNO SI (21,428 Radio Malo < 26,071) entonces MALIGNO
36
51,415
97,321
7
7
89,356
33,491
94,379
100
37
38
Esto permiti detectar que la pregunta 0 del test de administracin estaba redactada incorrectamente.
39
El concepto PROGRAMAS del tema EMULADORES es contestado incorrectamente por los alumnos del nivel EXPERTO.
40
Los niveles obtenidos demuestran que los conceptos asociados estn relacionados
41
EPRules
Restricciones
42
EPRules
Resultados obtenidos
43
44
45