SlideShare una empresa de Scribd logo

Algoritmo CN2 paso a paso

•
•
E
edmodi

El documento describe el algoritmo CN2 de aprendizaje automático para la inducción de reglas. CN2 genera reglas comprensibles en forma "Si <condición> entonces <clase>" examinando los atributos de los ejemplos de entrenamiento. El algoritmo itera generando nuevas reglas más especializadas hasta que no quedan ejemplos o reglas posibles.

Tecnología
1 de 76
Aprendizaje Automático CN2 Algoritmo de Aprendizaje Inductivo Eduardo Moreno Díaz
ÍNDICE 1 Introducción 2 Conceptos Previos 3 Pseudocódigo 4 Ejemplo Práctico 5 Bibliografía Aprendizaje Automático – Presentación Algoritmo CN2
Características del CN2 ,[object Object],[object Object],[object Object],[object Object],1 Introducción Aprendizaje Automático – Presentación Algoritmo CN2
ÍNDICE 1 Introducción 2 Conceptos Previos 3 Pseudocódigo 4 Ejemplo Práctico 5 Bibliografía Aprendizaje Automático – Presentación Algoritmo CN2
Selector Variable asociada a un valor Dureza = Elevada 2 Conceptos Previos Aprendizaje Automático – Presentación Algoritmo CN2 Complejo (complex) Conjunto de selectores Dureza = Elevada Color = Gris Convers Conjunto de complejos unidos por un operador lógico que representa la parte del “IF” de la regla Dureza = Elevada ^ Color = Gris
ÍNDICE 1 Introducción 2 Conceptos Previos 3 Pseudocódigo 4 Ejemplo Práctico 5 Bibliografía Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2 mejorComp = EncontrarMejorComp(E);
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos( start, selectores ); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
ÍNDICE 1 Introducción 2 Conceptos Previos 3 Pseudocódigo 4 Ejemplo Práctico 5 Bibliografía Aprendizaje Automático – Presentación Algoritmo CN2
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Yeso Blanca Baja Blanco Yeso Blanca Baja Gris Diamante Blanca Elevada Incoloro Diamante Blanca Elevada Gris Mineral Raya Dureza Color
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Yeso Blanca Baja Blanco Yeso Blanca Baja Gris Diamante Blanca Elevada Incoloro Diamante Blanca Elevada Gris Mineral Raya Dureza Color
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Yeso Blanca Baja Blanco Yeso Blanca Baja Gris Diamante Blanca Elevada Incoloro Diamante Blanca Elevada Gris Mineral Raya Dureza Color
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 mejorComp = EncontrarMejorComp(E);
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 selectores = [todos los posibles selectores];
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Gris Color = Incoloro Color = Gris Color = Blanco Dureza = Elevada Dureza = Elevada Dureza = Baja Dureza = Baja Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos();
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Gris Color = Incoloro Color = Gris Color = Blanco Dureza = Elevada Dureza = Elevada Dureza = Baja Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Gris Color = Incoloro Color = Gris Color = Blanco Dureza = Elevada Dureza = Elevada Dureza = Baja Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Significancia: Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color 0/2 = 0 Dureza = Baja X 2/2 = 1 Dureza = Elevada 0/1 = 0 Color = Blanco X 1/1 = 1 Color = Incoloro 1/2 = 0,5 Color = Gris Elegido Sig
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro Dureza = Elevada new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos();
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Color = Gris Color = Incoloro ^ Color = Incoloro Color = Incoloro ^ Color = Blanco Dureza = Elevada ^ Color = Gris Dureza = Elevada ^ Color = Incoloro Dureza = Elevada ^ Color = Blanco new_start Color = Incoloro ^ Dureza = Elevada Color = Incoloro ^ Dureza = Baja Dureza = Elevada ^ Dureza = Elevada Dureza = Elevada ^ Dureza = Baja Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Color = Gris Color = Incoloro ^ Color = Incoloro Color = Incoloro ^ Color = Blanco Dureza = Elevada ^ Color = Gris Dureza = Elevada ^ Color = Blanco new_start Color = Incoloro ^ Dureza = Baja Dureza = Elevada ^ Dureza = Elevada Dureza = Elevada ^ Dureza = Baja Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Dureza = Baja Dureza = Elevada ^ Color = Gris Dureza = Elevada ^ Color = Blanco new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Significancia: Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color 0/0 = 0 0/1 = 0 Dureza = Baja ^ Color = Blanco X 1/1 = 0,5 Dureza = Elevada ^ Color = Gris Color = Incoloro ^ Dureza = Baja Elegido Sig
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; } 1 > 1 No
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos();
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Dureza = Baja ^ Color = Gris Color = Incoloro ^ Dureza = Baja ^ Color = Incoloro Color = Incoloro ^ Dureza = Baja ^ Color = Blanco Dureza = Elevada ^ Color = Gris ^ Dureza = Elevada Dureza = Elevada ^ Color = Blanco ^ Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Dureza = Baja ^ Color = Gris Color = Incoloro ^ Dureza = Baja ^ Color = Incoloro Color = Incoloro ^ Dureza = Baja ^ Color = Blanco Dureza = Elevada ^ Color = Gris ^ Dureza = Elevada Dureza = Elevada ^ Color = Blanco ^ Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 return mejorComp ; = “Dureza”
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Yeso Baja Gris Yeso Baja Blanco Mineral Dureza Color
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 clase = clase mas cómún de Ec = “Diamante”
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 IF Dureza = Elevada THEN Diamante
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Igual que anteriormente
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 IF Dureza = Baja THEN Diamante
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Reglas obtenidas: IF Dureza = Elevada THEN Diamante IF Dureza = Baja THEN Diamante Yeso Blanca Baja Blanco Yeso Blanca Baja Gris Diamante Blanca Elevada Incoloro Diamante Blanca Elevada Gris Mineral Raya Dureza Color
Diferencias con Estrella 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
ÍNDICE 1 Introducción 2 Conceptos Previos 3 Pseudocódigo 4 Ejemplo Práctico 5 Bibliografía Aprendizaje Automático – Presentación Algoritmo CN2
[object Object],[object Object],[object Object],5 Bibliografía Aprendizaje Automático – Presentación Algoritmo CN2

Recomendados

Collaborative Filtering Recommendation System
Collaborative Filtering Recommendation SystemCollaborative Filtering Recommendation System
Collaborative Filtering Recommendation System
Milind Gokhale
 
Introduction to Relational Databases
Introduction to Relational DatabasesIntroduction to Relational Databases
Introduction to Relational Databases
Research Support Team, IT Services, University of Oxford
 
Data Flow Diagram
Data Flow DiagramData Flow Diagram
Data Flow Diagram
Puneet Arora
 
Pardot Basics Bootcamp
Pardot Basics BootcampPardot Basics Bootcamp
Pardot Basics Bootcamp
Pardot
 
Planning Your Migration to the Lightning Experience
Planning Your Migration to the Lightning ExperiencePlanning Your Migration to the Lightning Experience
Planning Your Migration to the Lightning Experience
Shell Black
 
DBMS
DBMSDBMS
DBMS
Er. Nawaraj Bhandari
 
An introduction to Salesforce
An introduction to SalesforceAn introduction to Salesforce
An introduction to Salesforce
valuebound
 
Project+team+1 slides (2)
Project+team+1 slides (2)Project+team+1 slides (2)
Project+team+1 slides (2)
Vijay Pappu, Ph.D.
 

Recomendados

Collaborative Filtering Recommendation System
Collaborative Filtering Recommendation SystemCollaborative Filtering Recommendation System
Collaborative Filtering Recommendation System
Milind Gokhale
 
Introduction to Relational Databases
Introduction to Relational DatabasesIntroduction to Relational Databases
Introduction to Relational Databases
Research Support Team, IT Services, University of Oxford
 
Data Flow Diagram
Data Flow DiagramData Flow Diagram
Data Flow Diagram
Puneet Arora
 
Pardot Basics Bootcamp
Pardot Basics BootcampPardot Basics Bootcamp
Pardot Basics Bootcamp
Pardot
 
Planning Your Migration to the Lightning Experience
Planning Your Migration to the Lightning ExperiencePlanning Your Migration to the Lightning Experience
Planning Your Migration to the Lightning Experience
Shell Black
 
DBMS
DBMSDBMS
DBMS
Er. Nawaraj Bhandari
 
An introduction to Salesforce
An introduction to SalesforceAn introduction to Salesforce
An introduction to Salesforce
valuebound
 
Project+team+1 slides (2)
Project+team+1 slides (2)Project+team+1 slides (2)
Project+team+1 slides (2)
Vijay Pappu, Ph.D.
 
Software Analytics: Data Analytics for Software Engineering
Software Analytics: Data Analytics for Software EngineeringSoftware Analytics: Data Analytics for Software Engineering
Software Analytics: Data Analytics for Software Engineering
Tao Xie
 
Release & Change management in salesforce
Release & Change management in salesforceRelease & Change management in salesforce
Release & Change management in salesforce
Kalyan Lanka ☁
 
Metodologia msf
Metodologia msfMetodologia msf
Metodologia msfYolanda Uruchima
 
Fundamentals of Database system
Fundamentals of Database systemFundamentals of Database system
Fundamentals of Database system
philipsinter
 
Managing the Role Hierarchy at Enterprise Scale
Managing the Role Hierarchy at Enterprise ScaleManaging the Role Hierarchy at Enterprise Scale
Managing the Role Hierarchy at Enterprise ScaleSalesforce Developers
 
Introduction to MemSQL
Introduction to MemSQLIntroduction to MemSQL
Introduction to MemSQL
SingleStore
 
Reports and dashboards @salesforce
Reports and dashboards @salesforceReports and dashboards @salesforce
Reports and dashboards @salesforce
Kapil Kumar Patle
 
Database Chapter 2
Database Chapter 2Database Chapter 2
Database Chapter 2
shahadat hossain
 
Unit 2 - Data Manipulation with R.pptx
Unit 2 - Data Manipulation with R.pptxUnit 2 - Data Manipulation with R.pptx
Unit 2 - Data Manipulation with R.pptx
Malla Reddy University
 
03 Ch3 Notes Revised
03 Ch3 Notes Revised03 Ch3 Notes Revised
03 Ch3 Notes Revised
guest6f408c
 
information retrieval Techniques and normalization
information retrieval Techniques and normalizationinformation retrieval Techniques and normalization
information retrieval Techniques and normalization
Ameenababs
 
WEKA: The Knowledge Flow Interface
WEKA: The Knowledge Flow InterfaceWEKA: The Knowledge Flow Interface
WEKA: The Knowledge Flow Interface
DataminingTools Inc
 
Systems Analysis and Design 9th Edition Kendall Solutions Manual
Systems Analysis and Design 9th Edition Kendall Solutions ManualSystems Analysis and Design 9th Edition Kendall Solutions Manual
Systems Analysis and Design 9th Edition Kendall Solutions Manual
bijavotyz
 
Qué es Interacción Humano-Computadora
Qué es Interacción Humano-ComputadoraQué es Interacción Humano-Computadora
Qué es Interacción Humano-Computadora
Alfredo Sánchez
 
Er to tables
Er to tablesEr to tables
Er to tables
GGCMP3R
 
Salesforce CPQ 360 Tour
Salesforce CPQ 360 TourSalesforce CPQ 360 Tour
Salesforce CPQ 360 Tour
Cloud Analogy
 
Diagrama de Flujo de Datos
Diagrama de Flujo de DatosDiagrama de Flujo de Datos
Diagrama de Flujo de Datos
Inés Andara
 
Modelo del dominio
Modelo del dominioModelo del dominio
Modelo del dominio
SCMU AQP
 
File organisation
File organisationFile organisation
File organisationSuneel Dogra
 
CRM Salesforce Overview
CRM Salesforce OverviewCRM Salesforce Overview
CRM Salesforce Overview
Edureka!
 
Basados En Conocimiento
Basados En ConocimientoBasados En Conocimiento
Basados En Conocimiento
Dora Elia Martinez
 
Implementaciones PHub ABH
Implementaciones PHub ABHImplementaciones PHub ABH
Implementaciones PHub ABHedmodi
 

Más contenido relacionado

La actualidad más candente

Software Analytics: Data Analytics for Software Engineering
Software Analytics: Data Analytics for Software EngineeringSoftware Analytics: Data Analytics for Software Engineering
Software Analytics: Data Analytics for Software Engineering
Tao Xie
 
Release & Change management in salesforce
Release & Change management in salesforceRelease & Change management in salesforce
Release & Change management in salesforce
Kalyan Lanka ☁
 
Fundamentals of Database system
Fundamentals of Database systemFundamentals of Database system
Fundamentals of Database system
philipsinter
 
Managing the Role Hierarchy at Enterprise Scale
Managing the Role Hierarchy at Enterprise ScaleManaging the Role Hierarchy at Enterprise Scale
Managing the Role Hierarchy at Enterprise ScaleSalesforce Developers
 
Introduction to MemSQL
Introduction to MemSQLIntroduction to MemSQL
Introduction to MemSQL
SingleStore
 
Reports and dashboards @salesforce
Reports and dashboards @salesforceReports and dashboards @salesforce
Reports and dashboards @salesforce
Kapil Kumar Patle
 
Database Chapter 2
Database Chapter 2Database Chapter 2
Database Chapter 2
shahadat hossain
 
Unit 2 - Data Manipulation with R.pptx
Unit 2 - Data Manipulation with R.pptxUnit 2 - Data Manipulation with R.pptx
Unit 2 - Data Manipulation with R.pptx
Malla Reddy University
 
03 Ch3 Notes Revised
03 Ch3 Notes Revised03 Ch3 Notes Revised
03 Ch3 Notes Revised
guest6f408c
 
information retrieval Techniques and normalization
information retrieval Techniques and normalizationinformation retrieval Techniques and normalization
information retrieval Techniques and normalization
Ameenababs
 
WEKA: The Knowledge Flow Interface
WEKA: The Knowledge Flow InterfaceWEKA: The Knowledge Flow Interface
WEKA: The Knowledge Flow Interface
DataminingTools Inc
 
Systems Analysis and Design 9th Edition Kendall Solutions Manual
Systems Analysis and Design 9th Edition Kendall Solutions ManualSystems Analysis and Design 9th Edition Kendall Solutions Manual
Systems Analysis and Design 9th Edition Kendall Solutions Manual
bijavotyz
 
Qué es Interacción Humano-Computadora
Qué es Interacción Humano-ComputadoraQué es Interacción Humano-Computadora
Qué es Interacción Humano-Computadora
Alfredo Sánchez
 
Er to tables
Er to tablesEr to tables
Er to tables
GGCMP3R
 
Salesforce CPQ 360 Tour
Salesforce CPQ 360 TourSalesforce CPQ 360 Tour
Salesforce CPQ 360 Tour
Cloud Analogy
 
Diagrama de Flujo de Datos
Diagrama de Flujo de DatosDiagrama de Flujo de Datos
Diagrama de Flujo de Datos
Inés Andara
 
Modelo del dominio
Modelo del dominioModelo del dominio
Modelo del dominio
SCMU AQP
 
CRM Salesforce Overview
CRM Salesforce OverviewCRM Salesforce Overview
CRM Salesforce Overview
Edureka!
 

La actualidad más candente (20)

Software Analytics: Data Analytics for Software Engineering
Software Analytics: Data Analytics for Software EngineeringSoftware Analytics: Data Analytics for Software Engineering
Software Analytics: Data Analytics for Software Engineering
 
Release & Change management in salesforce
Release & Change management in salesforceRelease & Change management in salesforce
Release & Change management in salesforce
 
Metodologia msf
Metodologia msfMetodologia msf
Metodologia msf
 
Fundamentals of Database system
Fundamentals of Database systemFundamentals of Database system
Fundamentals of Database system
 
Managing the Role Hierarchy at Enterprise Scale
Managing the Role Hierarchy at Enterprise ScaleManaging the Role Hierarchy at Enterprise Scale
Managing the Role Hierarchy at Enterprise Scale
 
Introduction to MemSQL
Introduction to MemSQLIntroduction to MemSQL
Introduction to MemSQL
 
Reports and dashboards @salesforce
Reports and dashboards @salesforceReports and dashboards @salesforce
Reports and dashboards @salesforce
 
Database Chapter 2
Database Chapter 2Database Chapter 2
Database Chapter 2
 
Unit 2 - Data Manipulation with R.pptx
Unit 2 - Data Manipulation with R.pptxUnit 2 - Data Manipulation with R.pptx
Unit 2 - Data Manipulation with R.pptx
 
03 Ch3 Notes Revised
03 Ch3 Notes Revised03 Ch3 Notes Revised
03 Ch3 Notes Revised
 
information retrieval Techniques and normalization
information retrieval Techniques and normalizationinformation retrieval Techniques and normalization
information retrieval Techniques and normalization
 
WEKA: The Knowledge Flow Interface
WEKA: The Knowledge Flow InterfaceWEKA: The Knowledge Flow Interface
WEKA: The Knowledge Flow Interface
 
Systems Analysis and Design 9th Edition Kendall Solutions Manual
Systems Analysis and Design 9th Edition Kendall Solutions ManualSystems Analysis and Design 9th Edition Kendall Solutions Manual
Systems Analysis and Design 9th Edition Kendall Solutions Manual
 
Qué es Interacción Humano-Computadora
Qué es Interacción Humano-ComputadoraQué es Interacción Humano-Computadora
Qué es Interacción Humano-Computadora
 
Er to tables
Er to tablesEr to tables
Er to tables
 
Salesforce CPQ 360 Tour
Salesforce CPQ 360 TourSalesforce CPQ 360 Tour
Salesforce CPQ 360 Tour
 
Diagrama de Flujo de Datos
Diagrama de Flujo de DatosDiagrama de Flujo de Datos
Diagrama de Flujo de Datos
 
Modelo del dominio
Modelo del dominioModelo del dominio
Modelo del dominio
 
File organisation
File organisationFile organisation
File organisation
 
CRM Salesforce Overview
CRM Salesforce OverviewCRM Salesforce Overview
CRM Salesforce Overview
 

Destacado

Basados En Conocimiento
Basados En ConocimientoBasados En Conocimiento
Basados En Conocimiento
Dora Elia Martinez
 
Implementaciones PHub ABH
Implementaciones PHub ABHImplementaciones PHub ABH
Implementaciones PHub ABHedmodi
 
UIMP: Sistemas Basados en Contexto
UIMP: Sistemas Basados en ContextoUIMP: Sistemas Basados en Contexto
UIMP: Sistemas Basados en Contexto
Gerardo DeMiguel
 
Fundamentos de programación Java
Fundamentos de programación JavaFundamentos de programación Java
Fundamentos de programación Javaquesada_diego
 
Java orientado a objetos
Java orientado a objetosJava orientado a objetos
Java orientado a objetos
Salvador Fernández Fernández
 
Libro de Seguridad en Redes
Libro de Seguridad en RedesLibro de Seguridad en Redes
Libro de Seguridad en Redes
Telefónica
 

Destacado (6)

Basados En Conocimiento
Basados En ConocimientoBasados En Conocimiento
Basados En Conocimiento
 
Implementaciones PHub ABH
Implementaciones PHub ABHImplementaciones PHub ABH
Implementaciones PHub ABH
 
UIMP: Sistemas Basados en Contexto
UIMP: Sistemas Basados en ContextoUIMP: Sistemas Basados en Contexto
UIMP: Sistemas Basados en Contexto
 
Fundamentos de programación Java
Fundamentos de programación JavaFundamentos de programación Java
Fundamentos de programación Java
 
Java orientado a objetos
Java orientado a objetosJava orientado a objetos
Java orientado a objetos
 
Libro de Seguridad en Redes
Libro de Seguridad en RedesLibro de Seguridad en Redes
Libro de Seguridad en Redes
 

Similar a Algoritmo CN2 paso a paso

Fundamentos De Algoritmia
Fundamentos De AlgoritmiaFundamentos De Algoritmia
Fundamentos De Algoritmia
cckokyco
 
Aritmetica
AritmeticaAritmetica
Aritmetica
Sidney Lizarraga Mucha
 
_Algoritmos.ppt
_Algoritmos.ppt_Algoritmos.ppt
_Algoritmos.ppt
ssuser18ad10
 
Arreglos en C++
Arreglos en C++Arreglos en C++
Arreglos en C++
Simeon Bordones
 
Análisis de complejidad introducción notación big o
Análisis de complejidad introducción notación big oAnálisis de complejidad introducción notación big o
Análisis de complejidad introducción notación big o
UVM
 
2 _expresiones_matematicas_254209
2 _expresiones_matematicas_2542092 _expresiones_matematicas_254209
2 _expresiones_matematicas_254209
Miguel Medina
 
Analisis Clase2
Analisis Clase2Analisis Clase2
Analisis Clase2
luzenith_g
 
Analisis sintactico10
Analisis sintactico10Analisis sintactico10
Analisis sintactico10Emanuel Gs
 
Metodologia de la Programción
Metodologia de la ProgramciónMetodologia de la Programción
Metodologia de la Programción
Videoconferencias UTPL
 
El Mathematica como herramienta para enseñanza de la Matemática
El Mathematica como herramienta para enseñanza de la MatemáticaEl Mathematica como herramienta para enseñanza de la Matemática
El Mathematica como herramienta para enseñanza de la Matemática
Robert Ipanaqué Chero
 
Pre Algoritmos
Pre AlgoritmosPre Algoritmos
Pre Algoritmos
SistemadeEstudiosMed
 
6 Escritura De Algoritmos Programas
6 Escritura De Algoritmos Programas6 Escritura De Algoritmos Programas
6 Escritura De Algoritmos Programas
Paulo Guerra Terán
 
Operaciones
OperacionesOperaciones
Operaciones
Ismael Camarero
 
Introducción Mathploit.docx
Introducción Mathploit.docxIntroducción Mathploit.docx
Introducción Mathploit.docx
Alexandercoronacionh
 
Tema 0 Repaso Programación en Java
Tema 0 Repaso Programación en JavaTema 0 Repaso Programación en Java
Tema 0 Repaso Programación en Java
Carlos A. Iglesias
 
Inf 2316(proyecto)
Inf 2316(proyecto)Inf 2316(proyecto)
Inf 2316(proyecto)
jair_fni
 
ANALISIS DE ALGORITMOS
ANALISIS DE ALGORITMOSANALISIS DE ALGORITMOS
ANALISIS DE ALGORITMOS
Evans Balcazar
 
ANALISIS DE ALGORITMOS
ANALISIS DE ALGORITMOSANALISIS DE ALGORITMOS
ANALISIS DE ALGORITMOS
Evans Balcazar
 

Similar a Algoritmo CN2 paso a paso (20)

Fundamentos De Algoritmia
Fundamentos De AlgoritmiaFundamentos De Algoritmia
Fundamentos De Algoritmia
 
Aritmetica
AritmeticaAritmetica
Aritmetica
 
_Algoritmos.ppt
_Algoritmos.ppt_Algoritmos.ppt
_Algoritmos.ppt
 
Arreglos en C++
Arreglos en C++Arreglos en C++
Arreglos en C++
 
Análisis de complejidad introducción notación big o
Análisis de complejidad introducción notación big oAnálisis de complejidad introducción notación big o
Análisis de complejidad introducción notación big o
 
2 _expresiones_matematicas_254209
2 _expresiones_matematicas_2542092 _expresiones_matematicas_254209
2 _expresiones_matematicas_254209
 
Módulo 2
Módulo 2Módulo 2
Módulo 2
 
Analisis Clase2
Analisis Clase2Analisis Clase2
Analisis Clase2
 
Analisis sintactico10
Analisis sintactico10Analisis sintactico10
Analisis sintactico10
 
Metodologia de la Programción
Metodologia de la ProgramciónMetodologia de la Programción
Metodologia de la Programción
 
El Mathematica como herramienta para enseñanza de la Matemática
El Mathematica como herramienta para enseñanza de la MatemáticaEl Mathematica como herramienta para enseñanza de la Matemática
El Mathematica como herramienta para enseñanza de la Matemática
 
Pre Algoritmos
Pre AlgoritmosPre Algoritmos
Pre Algoritmos
 
6 Escritura De Algoritmos Programas
6 Escritura De Algoritmos Programas6 Escritura De Algoritmos Programas
6 Escritura De Algoritmos Programas
 
Tema1
Tema1Tema1
Tema1
 
Operaciones
OperacionesOperaciones
Operaciones
 
Introducción Mathploit.docx
Introducción Mathploit.docxIntroducción Mathploit.docx
Introducción Mathploit.docx
 
Tema 0 Repaso Programación en Java
Tema 0 Repaso Programación en JavaTema 0 Repaso Programación en Java
Tema 0 Repaso Programación en Java
 
Inf 2316(proyecto)
Inf 2316(proyecto)Inf 2316(proyecto)
Inf 2316(proyecto)
 
ANALISIS DE ALGORITMOS
ANALISIS DE ALGORITMOSANALISIS DE ALGORITMOS
ANALISIS DE ALGORITMOS
 
ANALISIS DE ALGORITMOS
ANALISIS DE ALGORITMOSANALISIS DE ALGORITMOS
ANALISIS DE ALGORITMOS
 

Último

DESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
DESARROLO DE HABILIDADES DE PENSAMIENTO.pdfDESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
DESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
marianabz2403
 
Semana 10_MATRIZ IPER_UPN_ADM_03.06.2024
Semana 10_MATRIZ IPER_UPN_ADM_03.06.2024Semana 10_MATRIZ IPER_UPN_ADM_03.06.2024
Semana 10_MATRIZ IPER_UPN_ADM_03.06.2024
CesarPazosQuispe
 
Actividad Conceptos básicos de programación.pdf
Actividad Conceptos básicos de programación.pdfActividad Conceptos básicos de programación.pdf
Actividad Conceptos básicos de programación.pdf
NajwaNimri1
 
Estructuras básicas_ conceptos de programación (1).docx
Estructuras básicas_ conceptos de programación (1).docxEstructuras básicas_ conceptos de programación (1).docx
Estructuras básicas_ conceptos de programación (1).docx
SamuelRamirez83524
 
modelosdeteclados-230114024527-aa2c9553.pptx
modelosdeteclados-230114024527-aa2c9553.pptxmodelosdeteclados-230114024527-aa2c9553.pptx
modelosdeteclados-230114024527-aa2c9553.pptx
evelinglilibethpeafi
 
Conceptos Básicos de Programación Proyecto
Conceptos Básicos de Programación ProyectoConceptos Básicos de Programación Proyecto
Conceptos Básicos de Programación Proyecto
cofferub
 
TECLADO ERGONÓMICO Y PANTALLAS TACTILES - GESTIÓN INTEGRAL EDUCATIVA
TECLADO ERGONÓMICO Y PANTALLAS TACTILES - GESTIÓN INTEGRAL EDUCATIVATECLADO ERGONÓMICO Y PANTALLAS TACTILES - GESTIÓN INTEGRAL EDUCATIVA
TECLADO ERGONÓMICO Y PANTALLAS TACTILES - GESTIÓN INTEGRAL EDUCATIVA
LilibethEstupian
 
trabajo de tecnologia, segundo periodo 9-6f
trabajo de tecnologia, segundo periodo 9-6ftrabajo de tecnologia, segundo periodo 9-6f
trabajo de tecnologia, segundo periodo 9-6f
zoecaicedosalazar
 
INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTALINFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
CrystalRomero18
 
Catalogo Cajas Fuertes BTV Amado Salvador Distribuidor Oficial
Catalogo Cajas Fuertes BTV Amado Salvador Distribuidor OficialCatalogo Cajas Fuertes BTV Amado Salvador Distribuidor Oficial
Catalogo Cajas Fuertes BTV Amado Salvador Distribuidor Oficial
AMADO SALVADOR
 
Catalogo general Ariston Amado Salvador distribuidor oficial Valencia
Catalogo general Ariston Amado Salvador distribuidor oficial ValenciaCatalogo general Ariston Amado Salvador distribuidor oficial Valencia
Catalogo general Ariston Amado Salvador distribuidor oficial Valencia
AMADO SALVADOR
 
Manual de Soporte y mantenimiento de equipo de cómputos
Manual de Soporte y mantenimiento de equipo de cómputosManual de Soporte y mantenimiento de equipo de cómputos
Manual de Soporte y mantenimiento de equipo de cómputos
cbtechchihuahua
 
Computacion cuántica y sus ventajas y desventajas
Computacion cuántica y sus ventajas y desventajasComputacion cuántica y sus ventajas y desventajas
Computacion cuántica y sus ventajas y desventajas
sofiahuarancabellido
 
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdfTRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
thomasdcroz38
 
absorcion de gases y practicas de laboratorios
absorcion de gases y practicas de laboratoriosabsorcion de gases y practicas de laboratorios
absorcion de gases y practicas de laboratorios
JuanAlvarez413513
 
maestria-motores-combustion-interna-alternativos (1).pdf
maestria-motores-combustion-interna-alternativos (1).pdfmaestria-motores-combustion-interna-alternativos (1).pdf
maestria-motores-combustion-interna-alternativos (1).pdf
JimmyTejadaSalizar
 
Estructuras básicas_ conceptos básicos de programación.pdf
Estructuras básicas_ conceptos básicos de programación.pdfEstructuras básicas_ conceptos básicos de programación.pdf
Estructuras básicas_ conceptos básicos de programación.pdf
ItsSofi
 
Trabajo tecnología sobre Conceptos Básicos De Programación
Trabajo tecnología sobre Conceptos Básicos De ProgramaciónTrabajo tecnología sobre Conceptos Básicos De Programación
Trabajo tecnología sobre Conceptos Básicos De Programación
SofiaCollazos
 
Refrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y ForzadoRefrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y Forzado
NicandroMartinez2
 
Presentacion de Estado del Arte del The Clean
Presentacion de Estado del Arte del The CleanPresentacion de Estado del Arte del The Clean
Presentacion de Estado del Arte del The Clean
juanchogame18
 

Último (20)

DESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
DESARROLO DE HABILIDADES DE PENSAMIENTO.pdfDESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
DESARROLO DE HABILIDADES DE PENSAMIENTO.pdf
 
Semana 10_MATRIZ IPER_UPN_ADM_03.06.2024
Semana 10_MATRIZ IPER_UPN_ADM_03.06.2024Semana 10_MATRIZ IPER_UPN_ADM_03.06.2024
Semana 10_MATRIZ IPER_UPN_ADM_03.06.2024
 
Actividad Conceptos básicos de programación.pdf
Actividad Conceptos básicos de programación.pdfActividad Conceptos básicos de programación.pdf
Actividad Conceptos básicos de programación.pdf
 
Estructuras básicas_ conceptos de programación (1).docx
Estructuras básicas_ conceptos de programación (1).docxEstructuras básicas_ conceptos de programación (1).docx
Estructuras básicas_ conceptos de programación (1).docx
 
modelosdeteclados-230114024527-aa2c9553.pptx
modelosdeteclados-230114024527-aa2c9553.pptxmodelosdeteclados-230114024527-aa2c9553.pptx
modelosdeteclados-230114024527-aa2c9553.pptx
 
Conceptos Básicos de Programación Proyecto
Conceptos Básicos de Programación ProyectoConceptos Básicos de Programación Proyecto
Conceptos Básicos de Programación Proyecto
 
TECLADO ERGONÓMICO Y PANTALLAS TACTILES - GESTIÓN INTEGRAL EDUCATIVA
TECLADO ERGONÓMICO Y PANTALLAS TACTILES - GESTIÓN INTEGRAL EDUCATIVATECLADO ERGONÓMICO Y PANTALLAS TACTILES - GESTIÓN INTEGRAL EDUCATIVA
TECLADO ERGONÓMICO Y PANTALLAS TACTILES - GESTIÓN INTEGRAL EDUCATIVA
 
trabajo de tecnologia, segundo periodo 9-6f
trabajo de tecnologia, segundo periodo 9-6ftrabajo de tecnologia, segundo periodo 9-6f
trabajo de tecnologia, segundo periodo 9-6f
 
INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTALINFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
INFORME DE LAS FICHAS.docx.pdf LICEO DEPARTAMENTAL
 
Catalogo Cajas Fuertes BTV Amado Salvador Distribuidor Oficial
Catalogo Cajas Fuertes BTV Amado Salvador Distribuidor OficialCatalogo Cajas Fuertes BTV Amado Salvador Distribuidor Oficial
Catalogo Cajas Fuertes BTV Amado Salvador Distribuidor Oficial
 
Catalogo general Ariston Amado Salvador distribuidor oficial Valencia
Catalogo general Ariston Amado Salvador distribuidor oficial ValenciaCatalogo general Ariston Amado Salvador distribuidor oficial Valencia
Catalogo general Ariston Amado Salvador distribuidor oficial Valencia
 
Manual de Soporte y mantenimiento de equipo de cómputos
Manual de Soporte y mantenimiento de equipo de cómputosManual de Soporte y mantenimiento de equipo de cómputos
Manual de Soporte y mantenimiento de equipo de cómputos
 
Computacion cuántica y sus ventajas y desventajas
Computacion cuántica y sus ventajas y desventajasComputacion cuántica y sus ventajas y desventajas
Computacion cuántica y sus ventajas y desventajas
 
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdfTRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
TRABAJO DESARROLLO DE HABILIDADES DE PENSAMIENTO.pdf
 
absorcion de gases y practicas de laboratorios
absorcion de gases y practicas de laboratoriosabsorcion de gases y practicas de laboratorios
absorcion de gases y practicas de laboratorios
 
maestria-motores-combustion-interna-alternativos (1).pdf
maestria-motores-combustion-interna-alternativos (1).pdfmaestria-motores-combustion-interna-alternativos (1).pdf
maestria-motores-combustion-interna-alternativos (1).pdf
 
Estructuras básicas_ conceptos básicos de programación.pdf
Estructuras básicas_ conceptos básicos de programación.pdfEstructuras básicas_ conceptos básicos de programación.pdf
Estructuras básicas_ conceptos básicos de programación.pdf
 
Trabajo tecnología sobre Conceptos Básicos De Programación
Trabajo tecnología sobre Conceptos Básicos De ProgramaciónTrabajo tecnología sobre Conceptos Básicos De Programación
Trabajo tecnología sobre Conceptos Básicos De Programación
 
Refrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y ForzadoRefrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y Forzado
 
Presentacion de Estado del Arte del The Clean
Presentacion de Estado del Arte del The CleanPresentacion de Estado del Arte del The Clean
Presentacion de Estado del Arte del The Clean
 

Algoritmo CN2 paso a paso

  • 1. Aprendizaje Automático CN2 Algoritmo de Aprendizaje Inductivo Eduardo Moreno Díaz
  • 2. ÍNDICE 1 Introducción 2 Conceptos Previos 3 Pseudocódigo 4 Ejemplo Práctico 5 Bibliografía Aprendizaje Automático – Presentación Algoritmo CN2
  • 3.
  • 4. ÍNDICE 1 Introducción 2 Conceptos Previos 3 Pseudocódigo 4 Ejemplo Práctico 5 Bibliografía Aprendizaje Automático – Presentación Algoritmo CN2
  • 5. Selector Variable asociada a un valor Dureza = Elevada 2 Conceptos Previos Aprendizaje Automático – Presentación Algoritmo CN2 Complejo (complex) Conjunto de selectores Dureza = Elevada Color = Gris Convers Conjunto de complejos unidos por un operador lógico que representa la parte del “IF” de la regla Dureza = Elevada ^ Color = Gris
  • 6. ÍNDICE 1 Introducción 2 Conceptos Previos 3 Pseudocódigo 4 Ejemplo Práctico 5 Bibliografía Aprendizaje Automático – Presentación Algoritmo CN2
  • 7. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2
  • 8. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2 mejorComp = EncontrarMejorComp(E);
  • 9. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2
  • 10. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos
  • 11. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos( start, selectores ); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 12. ÍNDICE 1 Introducción 2 Conceptos Previos 3 Pseudocódigo 4 Ejemplo Práctico 5 Bibliografía Aprendizaje Automático – Presentación Algoritmo CN2
  • 13. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Yeso Blanca Baja Blanco Yeso Blanca Baja Gris Diamante Blanca Elevada Incoloro Diamante Blanca Elevada Gris Mineral Raya Dureza Color
  • 14. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Yeso Blanca Baja Blanco Yeso Blanca Baja Gris Diamante Blanca Elevada Incoloro Diamante Blanca Elevada Gris Mineral Raya Dureza Color
  • 15. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Yeso Blanca Baja Blanco Yeso Blanca Baja Gris Diamante Blanca Elevada Incoloro Diamante Blanca Elevada Gris Mineral Raya Dureza Color
  • 16. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 17. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 18. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 mejorComp = EncontrarMejorComp(E);
  • 19. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 20. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 21. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 selectores = [todos los posibles selectores];
  • 22. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Gris Color = Incoloro Color = Gris Color = Blanco Dureza = Elevada Dureza = Elevada Dureza = Baja Dureza = Baja Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
  • 23. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 24. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos();
  • 25. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 26. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Gris Color = Incoloro Color = Gris Color = Blanco Dureza = Elevada Dureza = Elevada Dureza = Baja Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
  • 27. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 28. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Gris Color = Incoloro Color = Gris Color = Blanco Dureza = Elevada Dureza = Elevada Dureza = Baja Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
  • 29. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 30. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 31. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Significancia: Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color 0/2 = 0 Dureza = Baja X 2/2 = 1 Dureza = Elevada 0/1 = 0 Color = Blanco X 1/1 = 1 Color = Incoloro 1/2 = 0,5 Color = Gris Elegido Sig
  • 32. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 33. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro Dureza = Elevada new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
  • 34. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 35. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 36. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos();
  • 37. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Color = Gris Color = Incoloro ^ Color = Incoloro Color = Incoloro ^ Color = Blanco Dureza = Elevada ^ Color = Gris Dureza = Elevada ^ Color = Incoloro Dureza = Elevada ^ Color = Blanco new_start Color = Incoloro ^ Dureza = Elevada Color = Incoloro ^ Dureza = Baja Dureza = Elevada ^ Dureza = Elevada Dureza = Elevada ^ Dureza = Baja Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
  • 38. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 39. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Color = Gris Color = Incoloro ^ Color = Incoloro Color = Incoloro ^ Color = Blanco Dureza = Elevada ^ Color = Gris Dureza = Elevada ^ Color = Blanco new_start Color = Incoloro ^ Dureza = Baja Dureza = Elevada ^ Dureza = Elevada Dureza = Elevada ^ Dureza = Baja Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
  • 40. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Dureza = Baja Dureza = Elevada ^ Color = Gris Dureza = Elevada ^ Color = Blanco new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
  • 41. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 42. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Significancia: Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color 0/0 = 0 0/1 = 0 Dureza = Baja ^ Color = Blanco X 1/1 = 0,5 Dureza = Elevada ^ Color = Gris Color = Incoloro ^ Dureza = Baja Elegido Sig
  • 43. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 44. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; } 1 > 1 No
  • 45. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 46. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos();
  • 47. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 48. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Dureza = Baja ^ Color = Gris Color = Incoloro ^ Dureza = Baja ^ Color = Incoloro Color = Incoloro ^ Dureza = Baja ^ Color = Blanco Dureza = Elevada ^ Color = Gris ^ Dureza = Elevada Dureza = Elevada ^ Color = Blanco ^ Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
  • 49. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 50. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Dureza = Baja ^ Color = Gris Color = Incoloro ^ Dureza = Baja ^ Color = Incoloro Color = Incoloro ^ Dureza = Baja ^ Color = Blanco Dureza = Elevada ^ Color = Gris ^ Dureza = Elevada Dureza = Elevada ^ Color = Blanco ^ Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
  • 51. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 52. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
  • 53. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 54. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 55. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 56. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 57. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 return mejorComp ; = “Dureza”
  • 58. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 59. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 60. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
  • 61. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Yeso Baja Gris Yeso Baja Blanco Mineral Dureza Color
  • 62. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 63. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 clase = clase mas cómún de Ec = “Diamante”
  • 64. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 65. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 IF Dureza = Elevada THEN Diamante
  • 66. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 67. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 68. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Igual que anteriormente
  • 69. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 70. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 IF Dureza = Baja THEN Diamante
  • 71. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 72. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
  • 73. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Reglas obtenidas: IF Dureza = Elevada THEN Diamante IF Dureza = Baja THEN Diamante Yeso Blanca Baja Blanco Yeso Blanca Baja Gris Diamante Blanca Elevada Incoloro Diamante Blanca Elevada Gris Mineral Raya Dureza Color
  • 74.
  • 75. ÍNDICE 1 Introducción 2 Conceptos Previos 3 Pseudocódigo 4 Ejemplo Práctico 5 Bibliografía Aprendizaje Automático – Presentación Algoritmo CN2
  • 76.