Algoritmos Genéticos en Aprendizaje Clase 3 de Computación Evolutiva.

Presentación del tema: "Algoritmos Genéticos en Aprendizaje Clase 3 de Computación Evolutiva."— Transcripción de la presentación:

1 Algoritmos Genéticos en Aprendizaje Clase 3 de Computación Evolutiva

2 Introducción Los GAs son métodos generales de optimización que buscan en un espacio muy grande de soluciones posibles, aquellas que sean mejores de acuerdo a la función de fitness No ofrecen garantía de encontrar un óptimo, pero producen buenas soluciones Han sido aplicados a muchos problemas de optimización fuera del área de aprendizaje: diseño de circuitos, scheduling, disño de turbinas, telecomunicaciones En Aprendizaje: aproximación de funciones (aprendizaje de conceptos), diseño de la arquitectura de una red neural

3 Representación de Hipótesis Cadenas de bits: uso de operadores estándar Reglas if-then: se asignan subcadenas especificas para cada precondición y poscondición Como representamos restricciones sobre un atributo. Ej.: Outlook (Sunny, Overcast, Rain). Cadena de longitud 3, donde cada posición corresponde a uno de los posibles valores Un 1 en una posición particular indica que el atributo puede tomar el valor correspondiente – 010 : Outlook = Overcast – 011 : (Outlook = Overcast Rain) – 111: Restricción mas general, no importa valor de Outlook

4 Representación de Hipótesis Las conjunciones de restricciones sobre varios atributos, se representan facilmente concatenando las cadenas correspondientes Consideremos el atributo Wind (Strong, Weak) – Precondición: (Outlook = Overcast Rain) ^ (Wind = Strong) – Representación: Outlook = 011 Wind = 10 – Postcondiciones se representan de manera similar – IF Wind = Strong THEN PlayTennis = yes : 111 10 10. Alternativamente se puede tener un solo bit para codificar PlayTennis: 0 = No, Yes = 1

5 Ejemplo Ilustrativo: Aprendizaje de Conceptos Sistema GABIL (DeJong 93) usa un GA para aprender conceptos booleanos Desempeño comparable con otros algoritmos Estudio comprende: Problemas “toy” para explorar la capacidad de “generalización” del sistema, y un problema real de diagnóstico de cancer de pecho Parámetros del algoritmo: Tasa de cruce = 0.6, tasa de mutación = 0.001, Población de 100 a 1000 de acuerdo con la tarea Representación: disyunción de reglas preposicionales. Varias reglas, se concatenan las cadenas. Cada regla se codifica según descrito anteriormente

6 Ejemplo Ilustrativo: Aprendizaje de Conceptos Dado que se representan conjuntos de reglas, la longitud del string depende del número de reglas. Longitud Variable, requiere modificación en el operador de cruce Función de Fitness: El fitness de cada conjunto de reglas se basa en la precisión de su clasificación sobre los datos de entrenamiento. Fitness(h) = (correct(h)) 2 Extensiones: Se agregaron dos op. genéticos, inspirados en op. de generalización comunes en aprendizaje simbólico: – AddAlternative: Generaliza restricción en un atributo, cambiando un 0 por 1, en el subestring de ese atributo. – DropCondition: Generalización mas drástica, reemplaza todos los bits de un atributo particular por 1s.