Introdução Reconhecimento Padrões

1. Seres Humanos e Padr~oes Conceito Intuitivo Formalizando Na Pratica Dist^ancias Classi

2. cadores Elementares Contatos Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining) Exemplos em Python Prof. Ronaldo F. Ramos, Dr 1 de junho de 2014 Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

4. cadores Elementares Contatos Roteiro 1 Seres Humanos e Padr~oes 2 Conceito Intuitivo 3 Formalizando 4 Na Pratica 5 Dist^ancias 6 Classi

5. cadores Elementares 7 Contatos Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

7. cadores Elementares Contatos Seres Humanos e Padr~oes Os sentidos humanos enviam informac~oes ao cerebro que reconhece alguns aspectos da realidade. Sons Imagens Sensac~ao Tatil Odores Permitem tambem a identi

8. cac~ao de padr~oes logico-matematicos (o que exige um pouco mais do cerebro ;-) ). Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

10. cadores Elementares Contatos Conceito de Reconhecimento de Padr~oes Reconhecer um padr~ao equivale a classi

11. car um objeto fsico ou logico como pertencente ou n~ao a uma predeterminada categoria. Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

13. cadores Elementares Contatos Conceito Intuitivo Dadas as categorias abaixo: (a) Laranjas (b) Mac~as A qual delas pertencem os objetos abaixo? Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

15. cadores Elementares Contatos Conceito Intuitivo - Novo Grupo (c) Laranjas (d) Mac~as (e) Tangerinas A qual delas pertence o objeto abaixo? Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

17. cadores Elementares Contatos Similaridade Seu cerebro fez uma analise de similaridade. Pode-se fazer esta mesma analise no computador? O que precisaremos para tal? Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

19. cadores Elementares Contatos Uma de

20. nic~ao quase formal de RP Um problema de RP e composto de ... Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

22. cadores Elementares Contatos Um Conjunto de K Classes Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

24. cadores Elementares Contatos Um Conjunto de objetos Ni por Classes Ki Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

26. cadores Elementares Contatos Um Conjunto de atributos nj por objeto Ni Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

28. cadores Elementares Contatos Mecanismo de Memoria e Aprendizagem Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

30. cadores Elementares Contatos Regra de Decis~ao para Calcular Novos Objetos Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

32. cadores Elementares Contatos Criterios de Avaliac~ao do Classi

33. cador Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

35. cadores Elementares Contatos Que atributos descrevem bem uma tangerina? Formato Esferico ou Oval? Esferico Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

37. cadores Elementares Contatos Que atributos descrevem bem uma tangerina? Formato Esferico ou Oval? Esferico Fruta Ctrica Sim/N~ao Sim Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

39. cadores Elementares Contatos Que atributos descrevem bem uma tangerina? Formato Esferico ou Oval? Esferico Fruta Ctrica Sim/N~ao Sim Cor Laranja????Alaranjado Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

41. cadores Elementares Contatos Que atributos descrevem bem uma tangerina? Formato Esferico ou Oval? Esferico Fruta Ctrica Sim/N~ao Sim Cor Laranja????Alaranjado Rugosidade da Casca Lisa ou Rugosa?Rugosa Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

43. cadores Elementares Contatos Que atributos descrevem bem uma tangerina? Formato Esferico ou Oval? Esferico Fruta Ctrica Sim/N~ao Sim Cor Laranja????Alaranjado Rugosidade da Casca Lisa ou Rugosa?Rugosa Cheiro Ativo/Fraco? Ativo Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

45. cadores Elementares Contatos Sobre os Atributos Os atributos s~ao igualmente importantes? E facil de

46. nir os atributos de um objeto? Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

48. cadores Elementares Contatos Sobre os Atributos Nem sempre. Nem sempre. Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

50. cadores Elementares Contatos Transformac~ao de Atributos Atributos devem ser expressos na forma de numeros. Desta forma o conjunto de atributos da tangerina [Formato, Fruta Ctrica, Cor, Rugosidade da Casca, Cheiro] devem ser expressos como um vetor de atributos tais como: X = [0; 1; 2; 1; 1] 1 1A forma de numeralizar pode fazer muita diferenca no uso do modelo Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

52. cadores Elementares Contatos Adotando as seguintes convenc~oes: Atributo Valores Textuais Numericos Formato Esferico,Oval,Alongado 0,1,2 Fruta Ctrica N~ao,Sim 0,1 Cor Amarelo,Vermelho,Alaranjado,Verde 0,1,2,3 Rugosidade lisa,rugosa 0,1 Cheiro N~ao,Sim 0,1 Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

54. cadores Elementares Contatos Teramos as seguintes representac~oes para as frutas Objeto Laranja (X) [0, 1, 2, 1, 0] Objeto Mac~a (Y) [0, 0, 1, 0, 0] Objeto Tangerina (Z)[0, 1, 2, 1, 1] O Objeto tangerina (Z) se assemelha mais a laranja(X) ou a Mac~a(Y)? Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

56. cadores Elementares Contatos Conceito de Distância Uma forma de medir a similaridade entre dois padr~oes e calcular a distância entre eles. Distância city-block, quarteir~ao ou manhattan. Dq(X;Y) = jX1 Y1j + jX2 Y2j + ::: + jXn Ynj Distância Euclidiana. De(X;Y) = p (X1 Y1)2 + (X2 Y2)2 + ::: + (Xn Yn)2 Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

58. cadores Elementares Contatos Comparac~ao entre Euclidiana e Quarteir~ao Z Z Z Z Z Z 3 5 Z Z Z Z ZZ A C B 4 Dq(A;B) = 3 + 4 = 7 De(A;B) = p 32 + 42 = 5 Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

60. cadores Elementares Contatos Agora e so fazer as contas Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

62. cadores Elementares Contatos Classi

63. cadores Elementares Agora voc^e sabe que uma tangerina e mais parecida com uma laranja do que com uma mac~a..;-). Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

65. cadores Elementares Contatos Classi

66. cadores Elementares Agora vamos estudar as ores.... Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

68. cadores Elementares Contatos Morfologia das Flores Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

70. cadores Elementares Contatos Iris (Fl^or-de-lis) Valei-me Deus e o

71. m do nosso amor ..... Iris Setosa Iris Virgnica Iris Versicolor Estudo feito por Sir Ronald Fischer em 1936 (Analise Discriminante). Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

73. cadores Elementares Contatos Base de Dados de Iris I Na WIKIPEDIA e em outros lugares encontraremos a base de dados de Fischer. SL=Comprimento da Sepala SW=Largura da Sepala PL=Comprimento da Petala PW = Largura da Petala SL SW PL PW Species 5.1 3.5 1.4 0.2 setosa 4.9 3.0 1.4 0.2 setosa 4.7 3.2 1.3 0.2 setosa 4.6 3.1 1.5 0.2 setosa 5.0 3.6 1.4 0.2 setosa 5.4 3.9 1.7 0.4 setosa 4.6 3.4 1.4 0.3 setosa 5.0 3.4 1.5 0.2 setosa Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

75. cadores Elementares Contatos Base de Dados de Iris II 4.4 2.9 1.4 0.2 setosa 4.9 3.1 1.5 0.1 setosa 5.4 3.7 1.5 0.2 setosa 4.8 3.4 1.6 0.2 setosa 4.8 3.0 1.4 0.1 setosa 4.3 3.0 1.1 0.1 setosa 5.8 4.0 1.2 0.2 setosa 5.7 4.4 1.5 0.4 setosa 5.4 3.9 1.3 0.4 setosa 5.1 3.5 1.4 0.3 setosa 5.7 3.8 1.7 0.3 setosa 5.1 3.8 1.5 0.3 setosa 5.4 3.4 1.7 0.2 setosa Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

77. cadores Elementares Contatos Base de Dados de Iris III 5.1 3.7 1.5 0.4 setosa 4.6 3.6 1.0 0.2 setosa 5.1 3.3 1.7 0.5 setosa 4.8 3.4 1.9 0.2 setosa 5.0 3.0 1.6 0.2 setosa 5.0 3.4 1.6 0.4 setosa 5.2 3.5 1.5 0.2 setosa 5.2 3.4 1.4 0.2 setosa 4.7 3.2 1.6 0.2 setosa 4.8 3.1 1.6 0.2 setosa 5.4 3.4 1.5 0.4 setosa 5.2 4.1 1.5 0.1 setosa 5.5 4.2 1.4 0.2 setosa Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

79. cadores Elementares Contatos Base de Dados de Iris IV 4.9 3.1 1.5 0.2 setosa 5.0 3.2 1.2 0.2 setosa 5.5 3.5 1.3 0.2 setosa 4.9 3.6 1.4 0.1 setosa 4.4 3.0 1.3 0.2 setosa 5.1 3.4 1.5 0.2 setosa 5.0 3.5 1.3 0.3 setosa 4.5 2.3 1.3 0.3 setosa 4.4 3.2 1.3 0.2 setosa 5.0 3.5 1.6 0.6 setosa 5.1 3.8 1.9 0.4 setosa 4.8 3.0 1.4 0.3 setosa 5.1 3.8 1.6 0.2 setosa Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

81. cadores Elementares Contatos Base de Dados de Iris V 4.6 3.2 1.4 0.2 setosa 5.3 3.7 1.5 0.2 setosa 5.0 3.3 1.4 0.2 setosa 7.0 3.2 4.7 1.4 versicolor 6.4 3.2 4.5 1.5 versicolor 6.9 3.1 4.9 1.5 versicolor 5.5 2.3 4.0 1.3 versicolor 6.5 2.8 4.6 1.5 versicolor 5.7 2.8 4.5 1.3 versicolor 6.3 3.3 4.7 1.6 versicolor 4.9 2.4 3.3 1.0 versicolor 6.6 2.9 4.6 1.3 versicolor 5.2 2.7 3.9 1.4 versicolor Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

83. cadores Elementares Contatos Base de Dados de Iris VI 5.0 2.0 3.5 1.0 versicolor 5.9 3.0 4.2 1.5 versicolor 6.0 2.2 4.0 1.0 versicolor 6.1 2.9 4.7 1.4 versicolor 5.6 2.9 3.6 1.3 versicolor 6.7 3.1 4.4 1.4 versicolor 5.6 3.0 4.5 1.5 versicolor 5.8 2.7 4.1 1.0 versicolor 6.2 2.2 4.5 1.5 versicolor 5.6 2.5 3.9 1.1 versicolor 5.9 3.2 4.8 1.8 versicolor 6.1 2.8 4.0 1.3 versicolor 6.3 2.5 4.9 1.5 versicolor Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

85. cadores Elementares Contatos Base de Dados de Iris VII 6.1 2.8 4.7 1.2 versicolor 6.4 2.9 4.3 1.3 versicolor 6.6 3.0 4.4 1.4 versicolor 6.8 2.8 4.8 1.4 versicolor 6.7 3.0 5.0 1.7 versicolor 6.0 2.9 4.5 1.5 versicolor 5.7 2.6 3.5 1.0 versicolor 5.5 2.4 3.8 1.1 versicolor 5.5 2.4 3.7 1.0 versicolor 5.8 2.7 3.9 1.2 versicolor 6.0 2.7 5.1 1.6 versicolor 5.4 3.0 4.5 1.5 versicolor 6.0 3.4 4.5 1.6 versicolor Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

87. cadores Elementares Contatos Base de Dados de Iris VIII 6.7 3.1 4.7 1.5 versicolor 6.3 2.3 4.4 1.3 versicolor 5.6 3.0 4.1 1.3 versicolor 5.5 2.5 4.0 1.3 versicolor 5.5 2.6 4.4 1.2 versicolor 6.1 3.0 4.6 1.4 versicolor 5.8 2.6 4.0 1.2 versicolor 5.0 2.3 3.3 1.0 versicolor 5.6 2.7 4.2 1.3 versicolor 5.7 3.0 4.2 1.2 versicolor 5.7 2.9 4.2 1.3 versicolor 6.2 2.9 4.3 1.3 versicolor 5.1 2.5 3.0 1.1 versicolor Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

89. cadores Elementares Contatos Base de Dados de Iris IX 5.7 2.8 4.1 1.3 versicolor 6.3 3.3 6.0 2.5 virginica 5.8 2.7 5.1 1.9 virginica 7.1 3.0 5.9 2.1 virginica 6.3 2.9 5.6 1.8 virginica 6.5 3.0 5.8 2.2 virginica 7.6 3.0 6.6 2.1 virginica 4.9 2.5 4.5 1.7 virginica 7.3 2.9 6.3 1.8 virginica 6.7 2.5 5.8 1.8 virginica 7.2 3.6 6.1 2.5 virginica 6.5 3.2 5.1 2.0 virginica 6.4 2.7 5.3 1.9 virginica Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

91. cadores Elementares Contatos Base de Dados de Iris X 6.8 3.0 5.5 2.1 virginica 5.7 2.5 5.0 2.0 virginica 5.8 2.8 5.1 2.4 virginica 6.4 3.2 5.3 2.3 virginica 6.5 3.0 5.5 1.8 virginica 7.7 3.8 6.7 2.2 virginica 7.7 2.6 6.9 2.3 virginica 6.0 2.2 5.0 1.5 virginica 6.9 3.2 5.7 2.3 virginica 5.6 2.8 4.9 2.0 virginica 7.7 2.8 6.7 2.0 virginica 6.3 2.7 4.9 1.8 virginica 6.7 3.3 5.7 2.1 virginica Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

93. cadores Elementares Contatos Base de Dados de Iris XI 7.2 3.2 6.0 1.8 virginica 6.2 2.8 4.8 1.8 virginica 6.1 3.0 4.9 1.8 virginica 6.4 2.8 5.6 2.1 virginica 7.2 3.0 5.8 1.6 virginica 7.4 2.8 6.1 1.9 virginica 7.9 3.8 6.4 2.0 virginica 6.4 2.8 5.6 2.2 virginica 6.3 2.8 5.1 1.5 virginica 6.1 2.6 5.6 1.4 virginica 7.7 3.0 6.1 2.3 virginica 6.3 3.4 5.6 2.4 virginica 6.4 3.1 5.5 1.8 virginica Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

95. cadores Elementares Contatos Base de Dados de Iris XII 6.0 3.0 4.8 1.8 virginica 6.9 3.1 5.4 2.1 virginica 6.7 3.1 5.6 2.4 virginica 6.9 3.1 5.1 2.3 virginica 5.8 2.7 5.1 1.9 virginica 6.8 3.2 5.9 2.3 virginica 6.7 3.3 5.7 2.5 virginica 6.7 3.0 5.2 2.3 virginica 6.3 2.5 5.0 1.9 virginica 6.5 3.0 5.2 2.0 virginica 6.2 3.4 5.4 2.3 virginica 5.9 3.0 5.1 1.8 virginica Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

97. cadores Elementares Contatos Algoritmo do Vizinho Mais Proximo - Neareast Neighbor 1 Seja Xnew um vetor cuja classe e desconhecida. 2 Procurar na tabela o vetor armazenado mais proximo de Xnew. 3 Chamar de Xnear o vetor mais proximo de Xnew 4 Atribuir a Xnew a mesma classe de Xnear 5 Se a classi

98. cac~ao for correta incluir Xnew na tabela. M~ao a obra, ou melhor ao codigo ... Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

100. cadores Elementares Contatos Qual o problema com o Vizinho Mais Proximo? Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

102. cadores Elementares Contatos Uma Soluc~ao KNN - K Vizinhos Mais Proximos (K=Numero Impar Inteiro) O Padr~ao e classi

103. cado de acordo com a maioria dos vizinhos. Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

105. cadores Elementares Contatos Algoritmo dos K Vizinhos Mais Proximos - K Neareast Neighbors 1 Armazenar os exemplos em uma tabela. 2 seja Xnew um vetor de classe desconhecida. 3 Encontrar na tabela os K vetores mais proximos de Xnew 4 Seja Ck a classe a que pertence a maioria dos vetores. 5 Atribuir Classe(Xnew) = Ck 6 Se a classi

106. cac~ao for correta incluir Xnew na tabela. Bom, vamos ao codigo ... Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

108. cadores Elementares Contatos Vantagens e Desvantagens do KNN Vantagens Simplicidade de Implementac~ao. Ideal para tabelas pequenas ou medias. N~ao requer treinamento. Desvantagens Alto custo computacional para tabelas grandes. A constante K e obtida por tentativa e erro. Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

110. cadores Elementares Contatos Dist^ancia Mnima ao Centroide Cada classe passa a ter um unico vetor que a representa chamado de centroide. Apos o treinamenton~ao sera necessario armazenar os exemplos. Apenas os centroides permanecem na memoria. O centroide e o vetor medio, ou seja, a media dos exemplos da classe. O centroide e o representante de sua classe. Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

112. cadores Elementares Contatos Dist^ancia Mnima ao Centroide Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

114. cadores Elementares Contatos Atualizando o Centroide Como foi visto o centroide representa a classe, portanto, descoberto um novo indivduo da classe, o centroide deve/pode ser atualizado. Mj (nj + 1) = (1 a)Mj (nj ) + a(Xnew) Onde: a = 1=(nj + 1) e o fator de aprendizagem nj e o total de exemplos utilizados antes da chegada do Xnew Mj (nj ) e o centroide antes da chegada do Xnew Mj (nj + 1) e o novo centroide com Xnew incorporado. Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

116. cadores Elementares Contatos Avaliando Classi

117. cadores - Matriz de Confus~ao Corretamente Classi

118. cadas = 5 + 3 + 11 = 19 Erroneamente Classi

119. cadas = 2 + 3 + 0 + 0 + 2 + 1 = 8 Total de Inst^ancias = 27 Taxa de Acerto = 19/27 (70,4 % ) Taxa de Erro = 8/27 (29,6 % ) Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

121. cadores Elementares Contatos Matriz de Confus~ao por Classe - Tabela de Confus~ao - Binario TP = True Positives. Verdadeiros Positivos. Classi

122. cados corretamente como gatos. FP = False Positives. Falsos Positivos. Classi

123. cados como gatos que s~ao outra coisa FN = False Negatives. Falsos Negativos. Classi

124. cados como outra coisa, mas s~ao realmente gatos. TN = True Negatives. Classi

125. cados como outra coisa e realmente n~ao s~ao gatos. Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

127. cadores Elementares Contatos Metricas True Positive Rate (Recall) (TPR). TPR = TP / (TP + FN) True Negative Rate (Speci

128. city) SPC = TN / (FP + TN) Positive Predictive Value (Precision) PPV = TP / (TP + FP) Negative Predictive Value (NPV) NPV = TN / (TN + FN) False Positive Rate (fall-out) FPR = FP /( FP + TN) False Discovery Rate (FDR) FDR = FP /(FP + TP) = 1 - PPV False Negative Rate (Miss Rate) FNR = FN / ( FN + TP) etc etc etc Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

130. cadores Elementares Contatos Metricas Curva ROC - Receiver Operating Characteritics Area Sob a curva. Acima de 0.9 (excelente). Entre 0.8 e 0.9 (bom). Entre 0.7 e 0.8 (medio). Entre 0.6 e 0.7 (fraco).Abaixo de 0.6 (ine

131. caz). Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

133. cadores Elementares Contatos Continua ... Isso e so o comeco .... Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

135. cadores Elementares Contatos Contatos Prof. Ronaldo F. Ramos Doutor em Systemes Informatiques (Informatica)- Universidade de Evry - Franca. Pos Doutorado - UFC - DETI Mestre em Engenharia de Produc~ao/Inteligência Aplicada - Universidade Federal de Santa Catarina Engenheiro Mecânico - Universidade Federal do Ceara 30 Anos de experiência em Projetos de Engenharia e Sistemas Informatizados. ronaldo.ramos@gmail.com Prof. Guilherme de Alencar Barreto Doutor em Engenharia Eletrica - Universidade de S~ao Paulo - USP - S~ao Carlos / Universidade de Bielefeld, UB, Alemanha Mestre em Engenharia Eletrica - Universidade de S~ao Paulo - USP - S~ao Carlos Engenheiro de Teleinformatica - Universidade Federal do Ceara Bolsista CNPQ Nvel 2 http://lattes.cnpq.br/8902002461422112 Prof. Ronaldo F. Ramos, Dr Introduc~ao ao Reconhecimento de Padr~oes (Aprendizagem de Maquina / Data Mining)

Introdução Reconhecimento Padrões

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Mehr von ronaldo ramos

Mehr von ronaldo ramos (20)

Kürzlich hochgeladen

Kürzlich hochgeladen (20)

Introdução Reconhecimento Padrões