Please enable JavaScript.

Coggle requires JavaScript to display documents.

SOCIAL NETWORK 4 - Coggle Diagram

- - - - A gregge
        
        Osservazioni altri individui, modifica del mio comportamento
      - Information Cascade
        
        Nodi attivi, NON attivi
        
        Indipendent Cascade Model
        
        Assunzioni nodo riceve info a t1 e le invia a t2
        
        Massimizzare lo spread
        
        Problema NP-HARD
    - - Diffusione innovazioni
      - Processi epidemiologici
- - - - Discrete e NON ORDINATE = CLASSIFICAZIONE
        
        Binaria o Multiclasse
        
        Decision Boundary riga che divide il piano in etichette di un tipo e dell'altro
      - CONTINUE
        
        Regressione
- - - - Classificazione
        
        Regressione Logistica (Modello di classificazione)
      - Regressione Lineare
    - - Input insieme di osservazioni senza etichetta
      - Non si ha un feedback diretto
  - - - Splitta le istanze del traning dataset in modo che i nodi figli abbiano un guadagno di informazione rispetto al nodo padre
      - Ci si ferma quando non c'è più nessuno split che garantisce guadagno di informazione
      - Concetto basato sull'entropia ovvero misura dell'impurità della classificazione
    - - Feature in alto è la più importante
        
        La feature che si mette al nodo root è la più importante perchè splitta maggiormente i campioni
      - Correlazione Feature
        
        Correlazione feature, una feature correlata ad un'altra, pure essendo importante potrebbe finire in basso nell'albero
      - Non è detto che sia la soluzione migliore quella scelta
      - Non sono ROBUSTI
        
        Cambiamenti nel dataset potrebbero portare a cambiamenti grossi all'interno dell'albero
    - - Combinazione di diversi classificatori e per poi avverrà un metodo di voting per scegliere la feature migliore
      - Campioni Bootstrap
        
        Estrazione con reinserimento per allenare i classificatori
        
        Varianza
        
        riduco la varianza dei singoli classificatori
    - - Si allena il primo albero
      - Si allena il secondo dando un maggiore peso alle istanze classificate precedentemente in maniera scorretta
    - - Ensamble di alberi di decisione
      - Cresciuti con metodo Begging
      - Classificatori deboli potrebbero seguire decisioni classificatori forti
        
        Si aggiunge della casualità selezionando ad ogni nodo un sottoinsieme delle feature tra le quali scegliere
- - - - Individuo i bridge perchè hanno un'alta betwennes centrality
      - Costo O(m+n)
      - Rimuovo l'arco e calcolo le componenti connesse che questo collegava
      - Dendogramma che taglio a piacere
    - - Utilizzo misura locale per la bridgness (meno oneroso) non devo valutare tutti
      - Edge Clustering Coefficient
      - Seleziono l'arco con Clustering Coefficient minore