EDSI Universidad del Cauca 2011 Algoritmo Prisma Mónica Eliana Pacheco Edison Arley Plaza Marín EDSI Universidad del Cauca 2011

Prisma Es un algoritmo básico de aprendizaje de reglas. Trabaja con datos Nominales (Categóricos) Disponible en Weka J. Cendrowska (1987). "PRISM: An algorithm for inducing modular rules". International Journal of Man-Machine Studies. Vol.27, No.4, pp.349-370.

Prisma

Prisma, Ejemplo Conjunto de Datos:

Prisma, Ejemplo Si empezamos con la clase P, construimos todas las posibles combinaciones de atributo valor y evaluamos su predicción sobre la clase P: Si A1 = 1  4/5 Si A1 = 0  1/3 Si A2 = x  ¼ Si A2 = y 4/4 Si A3 = triang  2/3 Si A3 = circ  2/3 Si A3 = cuadr  ½ Si A4 = a  4/5 Si A4 = b  1/3

Prisma, Ejemplo En este caso una regla es perfecta, (Si A2 = y Entonces Clase = P) por lo que esa seleccionamos y eliminamos todos los ejemplos que cubre

Prisma, Ejemplo Repetimos lo mismo con los ejemplos que quedan. Si A1 = 1  ½ Si A1 = 0  0/2 Si A2 = x  ¼ Si A3 = triang  ½ Si A3 = circ  0/1 Si A3 = cuadr  0/1 Si A4 = a  ½ Si A4 = b  0/2 En Este Caso Tenemos 3 empates de ½ como valor máximo, ….

Prisma, Ejemplo Tomamos uno al azar y construimos todas las posibles reglas añadiéndole posibles pares atributo-valor: Si A1 = 1 And A2 = x  ½ Si A1 = 1 And A3 = triang  1/1 Si A1 = 1 And A3 = circ  0/0 Si A1 = 1 And A3 = cuadr  0/1 Si A1 = 1 And A4 = a  1/1 Si A1 = 1 And A4 = b  0/1

Prisma, Ejemplo De nuevo tenemos tres empates y tomamos uno aleatoriamente (el primero). Las reglas entonces para la clase P son: Si A2 = y  P Si A1 = 1 And A3 = triang  P Lo mismo se hace para el resto de las clases, en este ejemplo para la Clase N, las reglas posibles serian: Si A2 = x And A1 = 0  N Si A2 = x And A3 = cuadr  N Probar en Weka

Retomando Sea T el número de ejemplos cubiertos por la regla y P el número de ejemplos positivos cubiertos por la regla. Lo que hace PRISM es añadir condiciones a reglas que maximicen la relación P/T (relación entre ejemplos positivos cubiertos y ejemplos cubiertos en total) sea mayor. Este algoritmo, como va eliminando los ejemplos que va cubriendo cada regla, las reglas que se construyen tienen que interpretarse en orden (las nuevas reglas se diseñan solo para cubrir los casos que faltan).

Retomando Reglas que dependen del orden para su interpretación se conocen como listas de decisión. Reglas que no dependen del orden son más modulares, pero pueden producir varias clasificaciones o no predecir nada. Con varias clasificaciones se puede seleccionar la regla que cubra más ejemplos, y cuando no se tiene una clasificación, escoger la clase mayoritaria. Las reglas ordenadas son en general más rápidas de producir ya que van reduciendo el número de ejemplos a considerar.