Intelligent Systems Group U.P.V. / E.H.U. APORTACIONES EN EL SOFTWARE ELVIRA: MAYO’03-MAYO’04 GRUPO ISG, UPV-EHU Donostia, 14-V-2004.

Presentación del tema: "Intelligent Systems Group U.P.V. / E.H.U. APORTACIONES EN EL SOFTWARE ELVIRA: MAYO’03-MAYO’04 GRUPO ISG, UPV-EHU Donostia, 14-V-2004."— Transcripción de la presentación:

1 Intelligent Systems Group U.P.V. / E.H.U. APORTACIONES EN EL SOFTWARE ELVIRA: MAYO’03-MAYO’04 GRUPO ISG, UPV-EHU Donostia, 14-V-2004

2 2 Implementaciones en Elvira ISG PROGRAMADORES Rubén Armañanzas Rubén Armañanzas Rosa Blanco Rosa Blanco José L. Flores José L. Flores Aritz Pérez Aritz Pérez Guzmán Santafé Guzmán Santafé

3 3 Implementaciones en Elvira ISG APORTACIONES EN VARIOS CAMPOS 1. Construcción clasificadores supervisados 2. Medidas “filter” de selección-rankeo de variables predictoras 3. Construcción clasificadores no-supervisados 4. Discretización de variables continuas 5. Interfaz gráfico (GUI) de Elvira Aportaciones en el cvs (la mayoría en el GUI) Aportaciones en el cvs (la mayoría en el GUI)

4 4 Implementaciones en Elvira ISG 1. CONSTRUCCION CLASIFICADORES SUPERVISADOS (Rosa) Naive-Bayes (Duda & Hart’73) Naive-Bayes (Duda & Hart’73) Selective naive Bayes (Langley & Sage’94) Selective naive Bayes (Langley & Sage’94) Tree Augmented Network (TAN, Friedman’97) Tree Augmented Network (TAN, Friedman’97) Semi naive Bayes (Pazzani’97) Semi naive Bayes (Pazzani’97) K-dependence Bayesian classifiers (k-DB, Sahami’96) K-dependence Bayesian classifiers (k-DB, Sahami’96)  elvira.learning.classification.supervised.discrete

5 5 Implementaciones en Elvira ISG 1. CONSTRUCCION CLASIFICADORES SUPERVISADOS (Rosa) Todos disponibles en el GUI Todos disponibles en el GUI Mediante el GUI: Mediante el GUI:  muestra gráfica de la estructura  estimación porcentaje bien clasificados  categorización-testeo de nuevos casos  posibilidad uso corrección Laplace ... Sus clases y métodos relacionados principales, explicados en el capítulo 9 (“Classification”) de Elvira-Book Sus clases y métodos relacionados principales, explicados en el capítulo 9 (“Classification”) de Elvira-Book Aritz (local)  versión para el campo CONTINUO de los cinco clasificadores anteriores Aritz (local)  versión para el campo CONTINUO de los cinco clasificadores anteriores

6 6 Implementaciones en Elvira ISG 2. RANKEO DE PREDICTORAS POR MEDIDAS “FILTER” (Rubén) Rankeo mediante siete medidas “filter” univariadas (correlación clase-predictora): Rankeo mediante siete medidas “filter” univariadas (correlación clase-predictora):  Información mutua  Entropía Shannon  Métrica Bhattacharyya  Distancias: Euclídea, Matusita, Kullback-Leibler (2)  elvira.learning.preprocessing.FilterMeasures.java

7 7 Implementaciones en Elvira ISG 2. RANKEO DE PREDICTORAS POR MEDIDAS “FILTER” (Rubén) Mediante el GUI: Mediante el GUI:  Expresión matemática de la medida  A un fichero de salida  posibilidad de proyectar un subconjunto de variables (+ clase) según el rankeo Punto de corte “codo” (Molina y col.’02) sobre el ranking. Línea de comandos Punto de corte “codo” (Molina y col.’02) sobre el ranking. Línea de comandos “Correlation Feature Selection” (CFS, Hall’99). “Filter” multivariada. Línea de comandos “Correlation Feature Selection” (CFS, Hall’99). “Filter” multivariada. Línea de comandos

8 8 Implementaciones en Elvira ISG 3. CONTRUCCION CLASIFICADORES NO SUPERVISADOS (Guzmán) Aprendizaje de la estructura naive-Bayes no supervisada de dos formas: Aprendizaje de la estructura naive-Bayes no supervisada de dos formas:  EM (Dempster’77)  EM Multi-Start Mediante el GUI: Mediante el GUI:  muestra gráfica de la estructura  posibilidad uso corrección Laplace,... Sus clases y métodos relacionados principales, explicados en el capítulo 9 (“Classification”) de Elvira-Book Sus clases y métodos relacionados principales, explicados en el capítulo 9 (“Classification”) de Elvira-Book  elvira.learning.classification.unsupervised.discrete

9 9 Implementaciones en Elvira ISG 4. DISCRETIZACION DE VARIABLES CONTINUAS (José Luis) Cinco métodos de discretización: Cinco métodos de discretización:  Equal Frequency  Equal Width  Sun Square Differences  Unsupervised Monothetic Contrast  K-means  elvira.learning.preprocessing.Discretization.java

10 10 Implementaciones en Elvira ISG 4. DISCRETIZACION DE VARIABLES CONTINUAS (José Luis) Mediante el GUI: Mediante el GUI:  Discretización:  Global (“masiva”): discretizar todas las variables con el mismo método  Local (“normal”): aplicar un método de discretización concreto por variable  Generación de un fichero de casos de salida con la discretización realizada

11 11 Implementaciones en Elvira ISG 5. INTERFAZ GRAFICO - GUI (Rubén) Soporte en el GUI al aprendizaje a partir de casos: Soporte en el GUI al aprendizaje a partir de casos:  Preproceso:  Imputación  Discretización  Medidas “filter” de rankeo  Aprendizaje automático  Clasificación supervisada  Clasificación no supervisada  Factorización de distribuciones de probabilidad mediante redes Bayesianas (+ Restricciones)

12 12 Implementaciones en Elvira ISG 5. INTERFAZ GRAFICO - GUI (Rubén)  Post aprendizaje:  Estimación porcentaje bien clasificados  Categorización – Testeo de un fichero de casos  elvira.gui.DataBaseMonitor.java  elvira.gui.DataBaseMonitorWorker.java