1 / 7

Mini testes

Mini testes. A apresentar na aula da semana a seguir à data descrito em cada teste. As respostas não devem exceder mais do que duas páginas A4. Semana 1 (7/5/2010).

calida
Download Presentation

Mini testes

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Mini testes A apresentar na aula da semana a seguir à data descrito em cada teste.As respostas não devem exceder mais do que duas páginas A4.

  2. Semana 1 (7/5/2010) • Em naiveBayes típico, é assumido a independência entre os atributos dos dados de treino. Explique a razão para esta presunção e as implicações da mesma. • Recorrendo a exemplos, mostra o impacto na estratégia de escolha dos testes (atributos) nos nós de uma árvore de decisão. Use o WEKA para mostrar as diferenças entre entropia e gini.

  3. Semana 2 (21/5/2010) • Considere o datasetiris. Apresente resultados de taxas de acerto comparativo (para o algoritmo J48 do Weka) usando o datasetpré-discretizado com o algoritmo Fayyad-Irani e o dataset original. Apresente justificações para os resultados obtidos. • Considere o datasetlabor. Usando os algoritmos J48 e simpleCart (Weka) apresente resultados (as diferentes árvores) que ilustram o uso das várias opções de pruning estudadas e.g. sub-treerasing, replacement, laplace, minimal complexitypruning, etc. Apresente a justificação para os resultados obtidos com as avaliações por 10-xval e por training data.

  4. Semana 3 (28/5/2010) • Considere o datasetsoybean. Apresente um estudo comparativo usando validação cruzada e os algoritmos NaiveBayes, SimpleCART e J48. Apresente conclusões sobre os melhores desempenhos para cada classe (das 19 existentes). • Considerando o valor de AUC para a classe “frog-eye-leaf-spot” obtido pelo J4.8, que tipo de curva ROC esperaria obter? Justifique.

  5. Semana 4 (4/6/2010) • Apresenta as diferentes características dos algoritmos de clusteringk-means e EM. Ilustre com a execução de um exemplo. • Sugira uma estratégia para definir automaticamente o valor de k (número de partições) em algoritmos como o k-means, em que no algoritmo original k é fixado pelo utilizador.

  6. Semana 5 (11/6/2010) • Execute um 10-XVal para o datasetiris com o algoritmo J48 e com o AdaBoostM1 sobre J48. Apresente os resultados obtidos em termos de erro. Sugira uma explicação para a comparação dos erros obtidos. • Que tipo de benefícios esperaria da aplicação de Bagging sobre NaiveBayes num dataset específico, sabendo que o resultado do modelo individual NaiveBayes nesse dataset é bastante bom (erro = 0.005). Justifique.

  7. Semana 6 (18/6/2010) • Apresente os principais factores de complexidade de um algoritmo de geração de regras de associação. Ilustre a sua resposta com exemplos. • Descreva as principais fraquezas da medida de interessa confiança. Apresente exemplos de regras para ilustrar essas fraquezas. Sugira formas de ultrapassar os problemas levantados pelo usa da confiança.

More Related