Please enable JavaScript.

Coggle requires JavaScript to display documents.

Árvores de Decisão:, ARV DECISAO - Coggle Diagram

- - - - Descrição do Domínio
        
        O que é um AIH?
        
        A AIH é um documento utilizado no controle de internações hospitalares, no qual se pode identificar, entre outras informações, os dados do paciente, o diagnóstico que motivou o tratamento hospitalar e os serviços prestados durante a sua internação, por profissionais e pelo hospital, tendo em vista os procedimentos realizados. É por este documento que hospitais, profissionais de saúde e serviços de diagnose e terapia (SADT) são habilitados a receber pelos préstimos fornecidos.
        
        Mensalmente os hospitais encaminham os seus faturamentos correspondentes ao período à Secretaria Municipal de Saúde de Pelotas (SMSP), para poderem receber pelos serviços prestados em cada internação. Este faturamento é composto por um conjunto de documentos: as AIHs; os laudos médicos, documentos utilizados na solicitação de internações de pacientes; pelos prontuários e pelos lançamentos das contas hospitalares que discriminam gastos com os procedimentos realizados e outras despesas hospitalares
- - - - é uma estrutura de dados caracterizada por ou não tem elemento algum
        ( ÁRVORE VAZIA)
      - OU tem pelo menos um elemento chamado de raiz com n ponteiros para n estruturas diferentes, denominadas subarvores ou nós filhos
        
        Para n<=2, temos uma árvore binária e suas filhas podem ser denominadas como sub-árvores da direita e da esquerda
    - - a recursividade é a definição de uma sub-rotina (função ou método) que pode invocar a si mesma.
      - A grande vantagem da recursão está na possibilidade de usar um programa de computador finito para definir, analisar ou produzir um estoque potencialmente infinito de sentenças, designs ou outros dados.
    - - DEFINIÇÃO
        
        Tom Mitchell fornece uma definição mais moderna: “Um programa de computador é dito para aprender com a experiência E com a relação a alguma classe de tarefas T e medida de desempenho P, se o seu desempenho em tarefas em T, medida pelo P, melhora com a experiência E”
        Exemplo: Jogando damas
        
        P = A probabilidade de que o programa irá ganhar o próximo jogo.
        
        T = A tarefa de jogar damas.
        
        E = A experiência de jogar muitos jogos de damas
      - TIPOS
        
        SUPERVISIONADA
        
        DEFINIÇÃO
        
        Nos é dado um conjunto de dados rotulados que já sabemos qual é a nossa saída correta e que deve ser semelhante ao conjunto, tendo a ideia de que existe uma relação entre a entrada e a saída.
        
        dividem-se em
        
        REGRESSÃO
        
        estamos tentando prever os resultados em uma saída contínua (função contínua)
        
        A)dado um conjunto de dados sobre o tamanho de casas no mercado imobiliário, tentar prever o seu preço. Preço em função do tamanho é uma saída contínua, de modo que este é um problema de regressão.
        
        B) Regressão — Dada uma imagem de homem/mulher, temos de prever sua idade com base em dados da imagem.
        
        IMG 1/2
        
        CLASSIFICAÇÃO
        
        estamos tentando prever os resultados em uma saída discreta
        
        (A)Poderíamos também transformar esse exemplo em um problema de classificação, e em vez de fazer a nossa produção sobre se a casa “é vendida por mais ou menos do que o preço pedido.” Aqui estamos classificando as casas com base no preço em duas categorias distintas.
        
        (B) Classificação — Dada um exemplo de tumor cancerígeno, temos de prever se ele é benigno ou maligno através do seu tamanho e idade do paciente.
        
        IMG1/2
        
        NÃO SUPERVISIONADA
        
        DEFINIÇÃO
        
        A Aprendizagem não supervisionada, por outro lado, nos permite abordar problemas com pouca ou nenhuma idéia do que nossos resultados devem se aparentar. Podemos derivar estrutura de dados onde nós não necessariamente saberíamos o efeito das variáveis.
        
        Podemos derivar essa estrutura, agrupando os dados com base em relações entre as variáveis nos dados. Também pode
        ser usada para
        
        reduzir o número de dimensões em um conjunto de dados para concentrar somente nos atributos
        
        mais úteis,
        
        ou para detectar tendências.
        
        Com aprendizagem não supervisionada não há feedback com base nos resultados da previsão, ou seja, não há professor para corrigi-la.
        
        EXEMPLOS
        
        Clustering: Dada uma coleção de 1000 pesquisas de uma universidade encontrar uma maneira de agrupar automaticamente estas pesquisas em um grupos que são de alguma forma semelhantes ou relacionadas por diferentes variáveis, tais como a frequência das palavras, frases, contagem de páginas, etc.
        
        Outro, exemplo não Clustering, é o “Algoritmo Cocktail Party”, que pode encontrar em uma estrutura de dados desorganizada como identificar as vozes individuais e música.
  - - - você já deve ter utilizado ou visto um fluxograma, não é mesmo?
        Um fluxograma pode ser considerado uma árvore de decisão (caso não contenha loop).
        
        IMG 3
        
        IMG 4
        
        Árvores, de um modo geral em computação, são estruturas de dados formadas por um conjunto de elementos que armazenam informações chamadas nós.
        Na figura acima, os nós são representados pelos quadradinhos com as perguntas e as informações podem ser consideradas as perguntas e suas possíveis respostas.
        Além disso, toda árvore possui um nó chamado raiz, que possui o maior nível hierárquico (o ponto de partida) e ligações para outros elementos, denominados filhos.
        Esses filhos podem possuir seus próprios filhos que por sua vez também possuem os seus. O nó que não possui filho é conhecido como nó folha ou terminal (representado pelo símbolo arredondado na figura). Tendo essas definições esclarecidas, uma árvore de decisão nada mais é que uma árvore que armazena regras em seus nós, e os nós folhas representam a decisão a ser tomada (no caso do exemplo, qual jogo escolher).
        
        Em uma árvore de decisão, uma decisão é tomada através do caminhamento a partir do nó raiz até o nó folha. Para elucidar melhor, suponha que tenhamos essa situação: você vai fazer uma reunião com seus amigos em sua casa, e vai rolar comidas e bebidas. Você quer jogar um jogo de tabuleiro, mas não sabe qual o melhor para essa situação, portanto, você vai recorrer a árvore de decisão para tomar sua decisão de forma mais correta. Para isso vamos caminhar por ela a partir do nó raiz, que contém a pergunta: Está jogando com crianças? Não, então iremos para nó filho da esquerda. Vamos jogar por mais de duas horas? Acho que sim! Assim, o próximo é: Regras difíceis? Vou tomar uma, logo não vou querer pensar muito rsrs. Reposta é não. Todos os jogadores vão ficar até o final? Vamos supor que sim! Desse modo, chegamos ao nó folha, com jogo Le Havre.
        
        Simples assim! Mas o que isso tem a ver com aprendizado de máquina? De fato, uma árvore de decisão por si só não é aprendizado de máquina já que eu posso criar uma sem auxílio de um computador e utilizá-la para organizar melhor minhas ideias e tomada de decisão (como alguém fez com o problema de escolher jogos de tabuleiro). Todavia, seu processo de construção automático, a partir de um conjunto de dados, é.
        
        No geral, os algoritmos para isso o fazem de forma não-paramétrica (termo estatístico que significa, em termos gerais: não assumir nada sobre os dados de antemão) e supervisionada (os dados devem conter as respostas/rótulos, mais detalhes Aprendiz. supervs.).
    - - Tendo tudo isso em vista, na próxima seção veremos como aprender a estrutura da árvore de decisão de forma automática a partir dos dados.
  - - - Para elucidar melhor como a árvore de decisão particiona o espaço em sub-regiões, vamos introduzir o conjunto de dados de flores de íris.
        
        IMG 5
        
        Esse conjunto de dados contém exemplos de três espécies de flor de Íris.
        
        são elas:
        
        setosa (amarela),
        
        versicolor (verde) e
        
        viriginica (roxa).
        
        Cada um dos quais possui 4 atributos, que são a largura e comprimento da pétala e da sépala da flor.
        Nós iremos utilizar apenas 2 atributos em nosso exemplo (comprimento e largura da pétala), já que é mais fácil para visualização no plano 2d. Além disso, conseguimos dividir o espaço satisfatoriamente apenas com esses dois atributos, ou seja, são dois atributos bem discriminativos para esse problema.
        
        IMG 6
        
        O espaço é representado pelo gráfico acima, onde cada uma das três cores representa uma espécie da flor de íris
        
        Agora vamos particionar o espaço recursivamente, fazendo cortes ortogonais, levando em consideração uma variável por vez, que maximiza a pureza das sub-regiões resultantes (pureza = homogeneidade no que diz respeito às espécies/rótulos).
        
        Cada divisão do espaço é representada por um nó na árvore de decisão. A primeira divisão (nós raiz da árvore) leva em consideração todos os exemplos (pontos) do espaço ao encontrar o ponto de corte que maximiza a pureza, de acordo com algum critério de impureza (veremos adiante), das sub-regiões resultantes.
        
        Vamos supor que o comprimento da pétala de valor 2,45 cm é o ponto de corte que melhor divide o espaço. Portanto, essa será o nó raiz de nossa árvore de decisão.
        
        IMG 7
        A figura acima mostra como fica essa divisão (esquerda) e nosso nó raiz (direita). De fato, esse corte nos deu uma região totalmente pura (conseguimos separa as setosas do restante) e uma outra heterogênea.
        
        Agora, vamos recursivamente particionar as duas sub-regiões do espaço (da esquerda e da direita).
        
        Na esquerda, temos uma região completamente pura e isso significa que qualquer corte que fizermos nessa região teremos como resultados regiões puras. Portanto, podemos parar o particionamento, ou seja, essa região será considerada um nó folha em nossa árvore.
        
        Já a região da direita não é pura, assim devemos continuar o particionamento por ela até que cheguemos em sub-regiões puras. Figura a seguir mostra a próxima partição.
        
        IMG 8
        A partição na sub-região da direita, foi feita no eixo da largura da pétala no valor 1,75 cm. Como pode-se notar, foram gerados mais duas novas sub-regiões disjuntas, que, por sua vez, não estão completamente puras.
        
        Esse processo é repetido recursivamente até que um critério de parada seja alcançado (i.e., profundidade, número de folhas) ou que todas as folhas sejam puras, que implica na costrução até sua profundidade máxima .
        
        IMG 9
        A figura acima mostra como ficaria nossa árvore e as partições (quase) puras do espaço.
        
        Essa é a intuição do algoritmo de construção de uma árvore de decisão.
        
        Há vários algoritmos para aprender sua estrutura, são eles CART, ID3 e C4.5, todos seguem mais ou menos essa lógica.
        
        ALgoritmo CART
        
        Encontrando "melhor" ponto de corte
        
        Encontrar o ponto de corte que leva a árvore de decisão ótima pode ser computacionalmente inviável (construir a árvore de decisão binária ótima é um problema np-completo).
        
        Portanto, nós nos contentamos em fazer escolhas locais ótimas (não garantindo o ótimo global) para encontrar o melhor atributo e limiar para o particionamento (linha 7 do código acima).