Please enable JavaScript.
Coggle requires JavaScript to display documents.
Reconhecimento de Padróes (Aprendizado Supervisionado (Algoritmos (Arvores…
Reconhecimento de Padróes
Aprendizado Supervisionado
Classificação
Regressão
Overfitting
Super Ajustado aos dados de treinamento
Underfitting
Dados Insuficientes para generalização
Algoritmos
k-NN
Baseado em instancias
lazy-learner
Sensivel a ruidos
informação local
Parametrico - resultado pode variar dependendo do valor de K
Arvores de Decisão (CART C4.5)
Criterios de Separação
\( GINI(t) = 1- \sum_{j}[p(j|t)]^2 \)
\( Entropia(t) = -\sum_{j}p(j|t) \log{p}(j|t) \)
Baixo custo computacional
Rapida
Normalização
Aprendizado Não Supervisionado
Agrupamento / Clusterização
K-Means
Métricas
Puresa
Particionais x Hierarquicos
Exclusivos x Fuzzy
Completos x Parciais
Medidas Similaridade
Correlação (Pearson)
Distancia (Euclidiana, Manhattan)
Associação (Jaccard)
Seleção de Caracteristicas
Classificadores mais afetados por características irrelevantes
Arvores de Decisão
k-NN
Elimina atributos redundantes
Simplifica a fase de treinamento
Manual
Automatico
Filtros
Pré-classificação
Wrappers
Empacotada Junto ao classificador
Busca Heuristica
SFFS
SFS
SBS
Validação
Metricas
Acurácia
\( \frac{TP + TN}{TP + TN + FP + FN} \)
Base Desbalanciada
Recall (Sensibilidade)
\( \frac{TP}{TP + FN} \)
Precision
\( \frac{TP}{TP + FP} \)
Especificidade
\( \frac{TN}{TN + FP} \)
F-measure / F-score
\( \frac{2 * (Precision * Recall)}{(Precision * Recall} \)
Matriz de Confusão
Sumariza resultados do classificador
ROC
f(FP,TP)
AUC
Metodos
Cross validation
Bootstrap
Holdout
Distancias
Euclidiana (L² Norm)
\(d_E(x,y) = \sqrt{\sum_{i=1}^{n} (x_i - y_i)^2} \)
Manhattan/City-Block/Taxicab (L¹ Norm)
\(d_C(x,y) = \sum_{i=1}^{n} |x_i - y_i| \)
Minkowski
\(d_{Mi}(x,y) = \sqrt[p]{\sum_{i=1}^{n} (x_i - y_i)^p} \)
Mahalanobis (Estatistica)
Probabilidade
\(P(A \cup B) = P(A) + P(B) - P(A \cap B) \)
\(P(A | B) = \frac{P(A \cap B)}{P(B)} \)
\(P(A \cap B) = P(B)P(A | B) \)
Eventos Independentes \(P(A|B) = P(A) \)
\(P(A \cap B) = P(A)P(B) \)
Bayes
\( P(A |B) = \frac{P(A \cap B)}{P(B)} = \frac{P(A)P(B|A)}{P(B)} \)