Please enable JavaScript.
Coggle requires JavaScript to display documents.
Árvores de Decisão (Avaliação de modelos. (Deve-se tomar como critério a…
Árvores de Decisão
Avaliação de modelos.
-
Para tal, um conceito básico é o conceito de matriz de confusão.
-
-
-
Taxa de VP (Sensibilidade,abrangencia)
-
-
Implementações
ID3
Iteractive Dichtomiser
-
Constrói uma arvore seguindo uma abordagem top-down, onde acada nível da árvore uma propiedade é testada de modo a avaliar o ganho de informação e a minimização da entropia.
-
-
-
-
Overfitting
-
Overfitting acontece quando um modelo não possui capacidade suficiente para generalizar de forma adequada.
Assim, quando ocorre overfitting, o modelo geralmente consegue classificar corretamente instancias que possuem caracteristicas conhecidas.
Por outro lado, quando há instâncias com características desconhecidas, o modelo não consegue classificador adequadamente.
-
Desvantagens
-
-
Alguns conceitos são de difícil aprendizagem para AD (o problema de XOR,por exemplo )
Se, no dataset de treinamento, houver classes que são predominantemente maiores em numero de instancias, então isso pode prejudicar a aprendizagem da árvore (o ideal é balancear o dataset antes do treinamento)
Vantagens
As regras geradas pelo algoritmo são fáceis de interpretar, uma vez que é uma árvore.
É um modelo white-box (é possível visualizar as interferências que levaram a uma conclusão - classificação), diferentemente das RNs, por exemplo.
-
-
Entropia
Mede a incerteza ,impureza , desordem dos elementos de um conjunto de exemplos em relação a decisão final.
Ganho
Define a proporção de redução da entropia ao participar o conjunto de exemplos de acordo com o atributo A.
-
-
-
