ID3attributiveRules

Indução de Árvores e
Regras Proposicionais de Decisão

Classificação versus Predição (Regressão)
• Classification:
– Afetação a uma classe (rotulo de um atributo categórico)
– Classifica dados (constroi um modelo) baseado em um conjunto de treinamento previamente rotulado e usa o modelo para classificar novas observações.

• Previsão (Regressão):
– Modela funções contínuas; previsão de valores desconhecidos ou ausentes

• Aplicações
– Aprovação de crédito
– Diagnóstico médico
– etc.

Classificação: Um processo em duas etapas
• Construção do Modelo (Aprendisagem): descrição de um conjunto de classes a priori
– Supõe-se que cada observação é oriunda de uma classe predefinida, como indicado pelo atributo rótulo da classe
– Conjunto de treinamento: O conjunto de observações usadas para construir o modelo
– Exemplos de modelos: regras de classificação, árvores de decisão, fórmulas matemáticas

• Uso do modelo: para classificar observações desconhecidas
– Avaliação da precisão do modelo
• O rótulo conhecido de uma observação é comparado com o resultado do modelo (conjunto de teste)
• A taxa de erro é a percentagem de observações do conjunto teste que são classificadas incorretamente pelo modelo
• O conjunto de teste deve ser independente do conjunto de treinamento, senão poderá ocorrer super ajustamento (over-fitting)

Processo de Classificação (1):
Construção do Modelo
Algoritmos de
Classificação

Dados de treinamento NOME
Tonho
Maria
João
José
David
Ana

CATEGORIA
Prof. Assist.
Prof. Assist.
Professor
Prof. Assoc.
Prof. Assist.
Prof. Assoc.

ANOS
3
7
2
7
6
3

Efetivo não sim sim sim não não

Classificador
(Modelo)

IF categoria = ‘professor’
OU Anos > 6
THEN Efetivo = ‘sim’

Processo de Classificação (2): Uso do modelo para a previsão
Classificador
Dados de teste Dados não
(Jeferson, Professor, 4)

NOME
Tonho
Melisa
George
Jose

CATEGORIA
Prof. Assist.
Prof. Assoc.
Professor
Prof. Assist.

ANOS EFETIVO
2
não
7
não
5
sim
7
sim

Efetivo?

Aprendizagem supervisada