Un nuevo algoritmo incremental IADEM-0 Autores: Gonzalo Ramos Jiménez, Rafael Morales Bueno, José...
-
Upload
gervasio-facundo -
Category
Documents
-
view
5 -
download
2
Transcript of Un nuevo algoritmo incremental IADEM-0 Autores: Gonzalo Ramos Jiménez, Rafael Morales Bueno, José...
Un nuevo algoritmo incrementalUn nuevo algoritmo incrementalIADEM-0IADEM-0
Autores:Gonzalo Ramos Jiménez,Rafael Morales Bueno,José del Campo Ávila
Ponente:José del Campo Ávila
Lenguajes y Cienciasde la Computación
E.T.S. Ingeniería InformáticaUniversidad de Málaga
2 de 28
CONTENIDOCONTENIDO
IntroducciónIntroducción
Introducción IADEM-0 Resultados Conclusiones
Descripción de IADEM-0Descripción de IADEM-0
ResultadosResultados
Conclusiones y trabajos futurosConclusiones y trabajos futuros
3 de 28
IntroducciónIntroducción
Sistemas de aprendizaje automático Sistemas de aprendizaje automático trabajan sobre conjuntos de datos para trabajan sobre conjuntos de datos para extraer conocimiento (inducción)extraer conocimiento (inducción)
Conjuntos de datos cada vez mayoresConjuntos de datos cada vez mayoresGrandes bases de datosGrandes bases de datosFlujos de datosFlujos de datos
Extraer conocimiento con algoritmos Extraer conocimiento con algoritmos tradicionales es una tarea inabordabletradicionales es una tarea inabordableRequisitos de memoriaRequisitos de memoria
Introducción IADEM-0 Resultados Conclusiones
4 de 28
La memoria en los algoritmosLa memoria en los algoritmos
Modelos de Modelos de memoria de experienciasmemoria de experienciasCompletaCompleta: se guardan todas las experiencias: se guardan todas las experiencias
IB1, ID3, ITIIB1, ID3, ITIParcialParcial: se guardan algunas experiencias: se guardan algunas experiencias
IB2, AQ-PM, FLORAIB2, AQ-PM, FLORASin memoriaSin memoria: no se guardan experiencias: no se guardan experiencias
Winnow, ID4, VFDTWinnow, ID4, VFDT
Modelos de Modelos de memoria de conceptosmemoria de conceptosNingunaNinguna: no almacena descripción de concepto: no almacena descripción de conceptoAlgunaAlguna: reglas, árboles de decisión, etc.: reglas, árboles de decisión, etc.
Introducción IADEM-0 Resultados Conclusiones
5 de 28
Representación de conceptosRepresentación de conceptos
Hay tres formas de representar los conceptosHay tres formas de representar los conceptos EjemplarEjemplar: se compone de las experiencias en sí: se compone de las experiencias en sí ClásicaClásica: los conceptos son representados por : los conceptos son representados por
expresiones lógicas que son necesarias y/o suficientes expresiones lógicas que son necesarias y/o suficientes para describir las propiedades de los conceptospara describir las propiedades de los conceptos
ProbabilísticaProbabilística: asume que los conceptos representados : asume que los conceptos representados muestran importantes propiedades de los conceptos muestran importantes propiedades de los conceptos reales, pero cualifica su importancia con probabilidades y reales, pero cualifica su importancia con probabilidades y otras medidas de confianzaotras medidas de confianza
La representación probabilística permite explorar La representación probabilística permite explorar los datos mientras mantenemos la información más los datos mientras mantenemos la información más relevante extraída de las experiencias exploradasrelevante extraída de las experiencias exploradas
Introducción IADEM-0 Resultados Conclusiones
6 de 28
Algoritmos incrementalesAlgoritmos incrementales
Distintas interpretaciones Distintas interpretaciones (Michalski, Polikar)(Michalski, Polikar)
Características principales:Características principales:Capacidad de incorporar nuevas experiencias a Capacidad de incorporar nuevas experiencias a
la base de conocimientola base de conocimientoCapacidad de evolucionar la base de Capacidad de evolucionar la base de
conocimiento desde una estructura sencilla hacia conocimiento desde una estructura sencilla hacia otra más complejaotra más compleja
Ejemplos:Ejemplos: ID4, STAGGER, Winnow, AQ-PM, ID5, ITI, VFDTID4, STAGGER, Winnow, AQ-PM, ID5, ITI, VFDT
Introducción IADEM-0 Resultados Conclusiones
7 de 28
Gran cantidad de Gran cantidad de experienciasexperiencias
Chernoff y HoeffdingChernoff y HoeffdingChernoff y HoeffdingChernoff y Hoeffding
Árbol decisiónÁrbol decisiónÁrbol decisiónÁrbol decisión
Con memoria Con memoria de conceptosde conceptos
Llegada de nuevas Llegada de nuevas experienciasexperiencias
Fundamentos de IADEM-0Fundamentos de IADEM-0
Introducción IADEM-0 Resultados Conclusiones
Grandes bases de datos Grandes bases de datos que no crecenque no crecen
Grandes bases de datos Grandes bases de datos que crecenque crecen
++Flujos de datosFlujos de datos
Sin memoria de Sin memoria de experienciasexperiencias
Algoritmos Algoritmos incrementalesincrementales
IADEM-0IADEM-0IADEM-0IADEM-0
Representación Representación probabilísticaprobabilística
8 de 28
IADEM-0 (I)IADEM-0 (I)
Introducción IADEM-0 Resultados Conclusiones
InicializarInicializar
mientrasmientras ( ( ¬ Condición_Parada ¬ Condición_Parada ¬ Condición_Completamente_Expandido) hacer:¬ Condición_Completamente_Expandido) hacer:
Muestrear y RecalcularMuestrear y Recalcular
sisi ( ( ¬ Condición_Parada ¬ Condición_Parada Condición_Expansión) Condición_Expansión)
entoncesentonces sisi Condición_Es_Expansible(peor_nodo) Condición_Es_Expansible(peor_nodo)
entoncesentonces Expandir_ÁrbolExpandir_Árbol
IInducción denducción de
IIAADEDEMM-- 00ÁÁrboles derboles de
DEDEcisión porcisión porMMuestreouestreo
9 de 28
InicializarInicializar
mientrasmientras ( ( ¬ Condición_Parada ¬ Condición_Parada ¬ Condición_Completamente_Expandido) hacer:¬ Condición_Completamente_Expandido) hacer:
Muestrear y RecalcularMuestrear y Recalcular
sisi ( ( ¬ Condición_Parada ¬ Condición_Parada Condición_Expansión) Condición_Expansión)
entoncesentonces sisi Condición_Es_Expansible(peor_nodo) Condición_Es_Expansible(peor_nodo)
entoncesentonces Expandir_ÁrbolExpandir_Árbol
InicializarInicializar
mientrasmientras ( ( ¬ Condición_Parada ¬ Condición_Parada ¬ Condición_Completamente_Expandido) hacer:¬ Condición_Completamente_Expandido) hacer:
Muestrear y RecalcularMuestrear y Recalcular
sisi ( ( ¬ Condición_Parada ¬ Condición_Parada Condición_Expansión Condición_Expansión))
entoncesentonces sisi Condición_Es_Expansible(peor_nodo)Condición_Es_Expansible(peor_nodo)
entoncesentonces Expandir_ÁrbolExpandir_Árbol
IADEM-0 (II)IADEM-0 (II)
Introducción IADEM-0 Resultados Conclusiones
¿Cuándo expandir el árbol?¿Cuándo expandir el árbol? No solución deseadaNo solución deseada Frontera de expansiónFrontera de expansión Sea expansibleSea expansible
(mejor atributo del peor nodo)(mejor atributo del peor nodo)
¿Cuándo parar?¿Cuándo parar? Solución deseadaSolución deseada Árbol totalmente expandidoÁrbol totalmente expandido
InicializarInicializar
mientrasmientras ( ( ¬ Condición_Parada ¬ Condición_Parada ¬ Condición_Completamente_Expandido¬ Condición_Completamente_Expandido) hacer:) hacer:
ProcedimientosProcedimientos
Muestrear nuevas experiencias y recalcular valoresMuestrear nuevas experiencias y recalcular valores Expandir el árbolExpandir el árbol
InicializarInicializar
Muestrear y RecalcularMuestrear y Recalcular
Inicializar las estructurasInicializar las estructuras
Expandir_ÁrbolExpandir_Árbol
10 de 28
IADEM-0 (III)IADEM-0 (III)
Parámetros y procedimientosParámetros y procedimientos
Diferencias entre nodos reales y virtualesDiferencias entre nodos reales y virtuales
Grupo elemental de variablesGrupo elemental de variables
ProcedimientosProcedimientos
PredicadosPredicados
11 de 28
Parámetros y argumentosParámetros y argumentos
ArgumentosArgumentos Descripción del problema ( atributos y sus valores )Descripción del problema ( atributos y sus valores ) Conjunto de experienciasConjunto de experiencias Error buscado ( Error buscado ( (0,1) (0,1) )) Confianza ( Confianza ( (0,1)(0,1) ) )
Introducción IADEM-0 Resultados Conclusiones
ParámetrosParámetros Factor de expansión ( Factor de expansión ( (0,1) (0,1) ))
determina la frontera de expansióndetermina la frontera de expansión
Diferenciación de atributos ( Diferenciación de atributos ( d d (0,1)(0,1) ) )determina cuándo los atributos son realmente diferentesdetermina cuándo los atributos son realmente diferentes
Medida de desorden ( medida: Medida de desorden ( medida: [0,1][0,1]kk R R ++ {0} {0} ))puede elegirse cualquierapuede elegirse cualquiera
Número de experiencias por muestreo ( Número de experiencias por muestreo ( nn N N ++ ) )
12 de 28
Nodos reales y nodos virtuales (I)Nodos reales y nodos virtuales (I)
Introducción IADEM-0 Resultados Conclusiones
BB
CC
A={aA={a11,a,a22}}
B={bB={b1 1 ,b,b2 2 ,b,b33}}
C={cC={c11,c,c22}}
X={xX={x11,x,x22}}
XX
CC
XX XXcc11 cc22
AA
XX XXaa11 aa22
AA
XX XXaa11 aa22
XXXX AA
XX XXaa11 aa22
XX
CC
XX XXcc11 cc22
AA
XX XXaa11 aa22
bb11 bb22 bb33
cc11 cc22
13 de 28
Nodos reales y nodos virtuales (II)Nodos reales y nodos virtuales (II)
Introducción IADEM-0 Resultados Conclusiones
BB
CC
A={aA={a11,a,a22}}
B={bB={b1 1 ,b,b2 2 ,b,b33}}
C={cC={c11,c,c22}}
X={xX={x11,x,x22}}
XX
CC
XX XXcc11 cc22
AA
XX XXaa11 aa22
AA
XX XXaa11 aa22
XXXX AA
XX XXaa11 aa22
XXAA
CC
XX XXcc11 cc22
bb11 bb22 bb33
cc11 cc22
CC
XX XXcc11 cc22
XXXX
aa11 aa22
14 de 28
Grupo elementalGrupo elemental
Árbol definido en base a los nodos hoja Árbol definido en base a los nodos hoja HOJASHOJAS N N ++
Introducción IADEM-0 Resultados Conclusiones
Grupo Elemental ( para el nodo Grupo Elemental ( para el nodo ii HOJASHOJAS)) atributos_usadosatributos_usados i i
atributos_libresatributos_libres i i
LL i i
AA i i
VV i, r i, r
virtualesvirtuales n’n’ ( i, r, v ) ( i, r, v )
n’n’ ( i, r, v ), z ( i, r, v ), z
tt i i
nn i i
nn i, z i, z
totaltotal i i nodosnodos i i
Subgrupo EstructuralSubgrupo Estructural
Subgrupo ContadoresSubgrupo Contadores
Subgrupo VirtualesSubgrupo Virtuales
15 de 28
ProcedimientosProcedimientos
InicializarInicializar Primer nodo hoja del árbolPrimer nodo hoja del árbol Valores iniciales a las variables del grupo elementalValores iniciales a las variables del grupo elemental
Muestrear_y_RecalcularMuestrear_y_Recalcular Toma Toma nn experiencias y actualiza la estructura experiencias y actualiza la estructura Se recalculan variables y predicadosSe recalculan variables y predicados
Expandir_ÁrbolExpandir_Árbol Elimina el Elimina el peor_nodopeor_nodo hoja hoja Inserta como nuevas hojas a los hijos del Inserta como nuevas hojas a los hijos del peor_nodopeor_nodo
16 de 28
Condición_Parada : 2Condición_Parada : 2NN { { V, F V, F }}
Condición_Parada(HOJAS) Condición_Parada(HOJAS) sup( error ) sup( error )
Predicados (I)Predicados (I)
Introducción IADEM-0 Resultados Conclusiones
S_ERRORmax VALORE (error) sup
H..., ,1i
)qsup(),qinf(h
1g
)wsup(),winf(g
)h - (1 g x 1,0)x..., ,x(ERROR_VECTORES
iii
H
1ii
iii
iiiH
H1 |
ERROR_VECTORES X )X( ERROR_VALORES |H
1i
H
i
RROR VALORES_Emin (error) inf
Condición_Parada : 2Condición_Parada : 2NN { { V, F V, F }}
Condición_Parada(HOJAS) Condición_Parada(HOJAS) sup( error )sup( error )
17 de 28
Predicados (II)Predicados (II)
Introducción IADEM-0 Resultados Conclusiones
0 t si 0
0 t si t / n) w( est
i
i i ii
0 t si 1
0 ) w est( 0 t si 1 ,) / 2 ln(t 2
1 ,) / 2 ln(
t
3 min
0 ) w est( 0 t si 1 ,) / 2 ln(t 2
1 ,) / 2 ln(
t
) w( est 3 min
) w(
i
i ii
2i
i ii i
i
i
} ) w( ) w( est 1, { min ) w sup(
} ) w( ) w( est 0, { max ) w inf(
i i i
i i i
Condición_Parada : 2Condición_Parada : 2NN { { V, F V, F }}
Condición_Parada(HOJAS) Condición_Parada(HOJAS) sup( error ) sup( error )
18 de 28
Predicados (III)Predicados (III)
Introducción IADEM-0 Resultados Conclusiones
psup ,pinf x 1x 1,0)x,...,x(P jijij
k
1jj
k k1i |
k..., 1, t )X()X( PX )X(M
k
t
k
ji
k
jj,i |
k
1jj,ii MM
ii
ii
Mmax )(q sup
M min )(q inf
0 n si 0
0 n si n/ n) p( est
i
i i z,iz,i
0 n si 1
0 ) p est( 0 n si 1 ,) / 2 ln(n 2
1 ,) / 2 ln(
n
3 min
0 ) p est( 0 n si 1 ,) / 2 ln(n 2
1 ,) / 2 ln(
n
) p( est 3 min
) p(
i
z,i ii
2i
z,i ii i
z,i
z,i
} ) p( ) p( est 1, { min ) p sup(
} ) p( ) p( est 0, { max ) p inf(
z,i z,i z,i
z,i z,i z,i
Condición_Parada : 2Condición_Parada : 2NN { { V, F V, F }}
Condición_Parada(HOJAS) Condición_Parada(HOJAS) sup( error ) sup( error )
19 de 28
Predicados (IV)Predicados (IV)
Introducción IADEM-0 Resultados Conclusiones
sup(error)sup(error)
inf(error)inf(error)
Condición_Parada : 2Condición_Parada : 2NN { { V, F V, F }}
Condición_Parada(HOJAS) Condición_Parada(HOJAS) sup( error ) sup( error )
20 de 28
Predicados (V)Predicados (V)
Introducción IADEM-0 Resultados Conclusiones
Condición_hojas_disponiblesCondición_hojas_disponibles: : 22NN { { V, F V, F }}
Condición_hojas_disponibles (HOJAS) Condición_hojas_disponibles (HOJAS) | { | { i i HOJAS | atributos_libresHOJAS | atributos_libresii = = }} | > | > 00
Condición_de_expansión : 2Condición_de_expansión : 2NN { { V, F V, F }}
Condición_de_expansión(HOJAS) Condición_de_expansión(HOJAS) inf( error ) inf( error ) ( 1 – ( 1 – ) )
sup(error)sup(error)
inf(error)inf(error)
Frontera de expansión = Frontera de expansión = ( 1 – ( 1 – ) )
21 de 28
Predicados (VI)Predicados (VI)
Introducción IADEM-0 Resultados Conclusiones
Condición_Es_ExpansibleCondición_Es_Expansible: : HOJASHOJAS { { V, F V, F }}
Condición_Es _Expansible(i) Condición_Es _Expansible(i) sup( medidasup( medidai i ( mejor_atributo( mejor_atributo
ii ) ) ) ) inf( medidainf( medidai i (r) ) (r) )
rr atributos_libres atributos_libresi i – { – { mejor_atributomejor_atributo
ii }}
| | sup( medidasup( medidaii( mejor_atributo( mejor_atributo
ii ) ) – –
minmin{{ inf( medida inf( medidaii(r) )(r) ) | |
rr atributos_libres atributos_libresi i – { – { mejor_atributomejor_atributo
ii } }} } | | d d
'psup ,'pinf x 1x 1,0)x,...,x('P t),v,r,i(t),v,r,i(t
k
1tt
k k1)v,r,i( |
)v,r,i()v,r,i( 'P X ) X ( medidaMEDIDAS |
r
r
m
1v)v,r,i(
m
1v)v,r,i()v,r,i(
i
'n
)'n · )MEDIDAS((max))r(medidasup(
r
r
m
1v)v,r,i(
m
1v)v,r,i()v,r,i(
i
'n
)'n · )MEDIDAS((min))r(medidainf(
Condición_Es_ExpansibleCondición_Es_Expansible: : HOJASHOJAS { { V, F V, F }}
Condición_Es _Expansible(i) Condición_Es _Expansible(i) sup( medidasup( medidai i (( mejor_atributo mejor_atributo
ii ) )) ) inf( medidainf( medidai i ((rr) )) )
rr atributos_libres atributos_libresi i – { – { mejor_atributomejor_atributo
ii }}
| | sup( medidasup( medidaii(( mejor_atributo mejor_atributo
ii )) )) – –
minmin{{ inf( medidainf( medidaii((rr) )) ) | |
rr atributos_libres atributos_libresi i – { – { mejor_atributomejor_atributo
ii } }} } | | d d
22 de 28
peor_nodopeor_nodo
Predicados (VII)Predicados (VII)
Introducción IADEM-0 Resultados Conclusiones
} libres atributos_ s
(s)) sup(medida )) r( sup(medida | libres atributos_ {r ATRIBUTOS _ MEJORES
i
i i i i
} RIBUTOS MEJORES_AT s
(s)) inf(medida )) r( inf(medida | RIBUTOS MEJORES_AT {r min atributo _ mejor
i
i i i i
ES} HOJAS_LIBR j ) sup( ) sup( | LIBRES _ HOJAS i { min nodo _ peor
HOJAS nodo _ peor
j i
} 0 nodos libres atributos_ | HOJAS i { LIBRES _ HOJASi i
} L, ,1{ i )] w sup( ), w [inf( x 1 x | ] 1, 0[ ) x, , (x W donde
)) inf(q - (1 0 nodos } W X | ) X( max ) sup(
i i i
L
1 ii
HH 1
i i
H
i i
Condición_Es_ExpansibleCondición_Es_Expansible: : HOJASHOJAS { { V, F V, F }}
Condición_Es _Expansible(i) Condición_Es _Expansible(i) sup( medidasup( medidai i ( mejor_atributo( mejor_atributo
ii ) ) ) ) inf( medidainf( medidai i (r) ) (r) )
rr atributos_libres atributos_libresi i – { – { mejor_atributomejor_atributo
ii }}
| | sup( medidasup( medidaii( mejor_atributo( mejor_atributo
ii ) ) – –
minmin{{ inf( medida inf( medidaii(r) )(r) ) | |
rr atributos_libres atributos_libresi i – { – { mejor_atributomejor_atributo
ii } }} } | | d d
Condición_Es_ExpansibleCondición_Es_Expansible: : HOJASHOJAS { { V, F V, F }}
Condición_Es _Expansible(i) Condición_Es _Expansible(i) sup( medidasup( medidai i ( ( mejor_atributomejor_atributo
ii ) ) ) ) inf( medidainf( medidai i (r) ) (r) )
rr atributos_libres atributos_libresi i – { – { mejor_atributomejor_atributo
ii }}
| | sup( medidasup( medidaii( ( mejor_atributomejor_atributo
ii ) ) – –
minmin{{ inf( medida inf( medidaii(r) )(r) ) | |
rr atributos_libres atributos_libresi i – { – { mejor_atributomejor_atributo
ii } }} } | | d d
23 de 28
ResultadosResultados
Objetivos:Objetivos:PrecisiónPrecisiónTamaño del árbolTamaño del árbol
Introducción IADEM-0 Resultados Conclusiones
Conjuntos de datos Conjuntos de datos RealesReales
UCIUCIComparado con C4.5 e ITIComparado con C4.5 e ITI
SintéticosSintéticosComparado con ITIComparado con ITI
Validación cruzada por deciles (10-cross)Validación cruzada por deciles (10-cross)
Test de significancia (t-student)Test de significancia (t-student)
24 de 28
Casos reales (I)Casos reales (I)
Introducción IADEM-0 Resultados Conclusiones
Dataset Algoritmo Hojas Precisión C4.5 12.90 ±8.81 (+) 71.66 ±8.14 ITI 90.60 ±4.35 (-) 64.37 ±6.49 Cancer IADEM-0 25.50 ±15.76 66.05 ±8.43
C4.5 14.10 ±5.43 (-) 66.07 ±6.32 (-) ITI 81.30 ±4.19 (-) 65.74 ±6.99 (-)
Cancer (*) IADEM-0 4.60 ±1.65 73.77 ±4.54
C4.5 122.70 ±6.17 (+) 92.65 ±3.28 ITI 111.80 ±4.78 (+) 96.99 ±1.96
Car IADEM-0 272.90 ±8.70 93.12 ±2.94
C4.5 58.00 ±4.11 (+) 96.58 ±1.75 ITI 111.80 ±4.78 (-) 96.99 ±1.96
Car (*) IADEM-0 62.80 ±3.39 97.51 ±1.28
C4.5 30.30 ±1.77 (+) 99.45 ±0.49 ITI 50.50 ±2.17 (-) 99.69 ±0.29
KR-vs-KP IADEM-0 46.80 ±2.49 99.69 ±0.26
C4.5 28.30 ±1.77 (+) 99.45 ±0.49 ITI 50.50 ±2.17 (-) 99.69 ±0.29
KR-vs-KP (*) IADEM-0 43.10 ±2.28 99.62 ±0.29
25 de 28
Casos reales (II)Casos reales (II)
Introducción IADEM-0 Resultados Conclusiones
Dataset Algoritmo Hojas Precisión C4.5 26.70 ±1.89 (-) 100.00 ±0.00 ITI 12.00 ±0.00 (+) 100.00 ±0.00
Mushrooms IADEM-0 22.00 ±0.00 100.00 ±0.00
C4.5 9.30 ±0.48 (+) 100.00 ±0.00 ITI 12.00 ±0.00 100.00 ±0.00
Mushrooms (*) IADEM-0 12.10 ±1.29 100.00 ±0.00
C4.5 328.00 ±11.69 (+) 82.72 ±13.12 ITI 272.00 ±4.35 (+) 99.61 ± 0.16 (+)
Nursery IADEM-0 498.30 ±31.37 83.21 ±13.33
C4.5 185.10 ±18.44 (-) 83.17 ±11.85 ITI 247.70 ±16.25 (-) 84.75 ±13.20
Nursery (*) IADEM-0 139.20 ±15.40 81.57 ±11.29
26 de 28
Casos sintéticosCasos sintéticos
Introducción IADEM-0 Resultados Conclusiones
Hojas Atr. Prof. Algoritmo Hojas Precisión ITI 33329.20 ±3489.21 (-) 95.42 ±0.66 1173 30 5 IADEM-0 1772.70 ±982.93 95.89 ±0.37 ITI 19111.40 ±1753.72 (-) 97.87 ±0.29 (-) 787 30 5 IADEM-0 742.00 ±0.00 98.73 ±0.03 ITI 51516.80 ±846.69 (-) 93.04 ±0.16 (-) 805 25 6 IADEM-0 865.60 ±127.44 93.99 ±0.15 ITI 31792.70 ±679.64 (-) 96.05 ±0.17 (-) 666 25 6 IADEM-0 1536.90 ±9.94 96.25 ±0.06 ITI 14059.20 ±169.30 (-) 98.67 ±0.05 (-) 593 20 5 IADEM-0 680.80 ±3.68 99.34 ±0.02 ITI 6407.50 ±207.85 (-) 99.67 ±0.02 (-) 398 20 5 IADEM-0 473.00 ±5.42 99.85 ±0.06 ITI 12248.20 ±121.02 (-) 99.11 ±0.04 (-) 406 20 7 IADEM-0 661.60 ±65.50 99.34 ±0.04 ITI 8367.80 ±345.55 (-) 99.56 ±0.04 (-) 308 20 7 IADEM-0 1417.80 ±205.67 99.73 ±0.04
ITI Sin memoria 1173 30 5 IADEM-0 1917.80 ±2306.83 96.07 ±0.22
27 de 28
ConclusionesConclusiones
Sin memoria de experienciasSin memoria de experiencias La memoria usada no depende del tamaño de la fuente La memoria usada no depende del tamaño de la fuente
de datos sino de la estructura de conocimiento de datos sino de la estructura de conocimiento almacenadaalmacenada
Introducción IADEM-0 Resultados Conclusiones
Algoritmo incrementalAlgoritmo incremental Pueden llegar nuevas experiencias y el conocimiento se Pueden llegar nuevas experiencias y el conocimiento se
va refinandova refinando
Usa las cotas de Chernoff y HoeffdingUsa las cotas de Chernoff y Hoeffding Se conoce el error estimado del árbol inducidoSe conoce el error estimado del árbol inducido Detección automática tras satisfacer los requisitos del Detección automática tras satisfacer los requisitos del
usuario (usuario ( ,, )) Se da información detallada para la predicción: valor Se da información detallada para la predicción: valor
estimado + margen de errorestimado + margen de error
28 de 28
Trabajos futurosTrabajos futuros
Capacidad para trabajar con ruido yCapacidad para trabajar con ruido y
no determinismono determinismo
Introducción IADEM-0 Resultados Conclusiones
Aprendizaje con cambio de conceptoAprendizaje con cambio de concepto
Implementación distribuidaImplementación distribuida
Un nuevo algoritmo incrementalUn nuevo algoritmo incremental
IADEM-0IADEM-0
Autores:Gonzalo Ramos Jiménez,Rafael Morales Bueno,José del Campo Ávila