Celem ćwiczenia jest zapoznanie się uczeniem drzew decyzyjnych służących do klasyfikacji danych. Obejmuje to budowanie struktury drzew na podstawie przykładów i ich użycie do klasyfikacji danych.

Do przeczytania i przygotowania:

• AIM:18.6-18.11, FCA:11
• WSI:10

Podstawowym narzędziem do realizacji ćwiczeń jest program Decision trees z AIspace.

Pracuj w parze z Koleżanką/Kolegą. Uruchom narzędzie pisząc w konsoli tekstowej ais-dtree.

• Przeczytaj wstęp pojęciowy do wybranych zagadnień teorii informacji
• Przeczytaj wstęp do uczenia drzew decyzyjnych

• Przeczytaj tutorial
• Załaduj przykład File→Load samle dataset→Mail reading
• Obejrzyj przykłady, jak wygląda zbiór uczący, a jak testowy
• Zbuduj drzewo: przełącz się na zakładkę Solve i naciskaj na Step, aż do końca budowy drzewa
• Obserwuj wyniki: Show plot, View node info
• Sprawdź które węzły klasyfikują poszczególne przypadki: View mapped examples
• Usuń drzewo Reset graph
• Zmień algorytm budujący Decision Tree Options→Splitting functions
• Porównaj wyniki dla innych algorytmów

• Załaduj przykład Likes TV
• Obejrzyj przykłady.
• Zbuduj automatycznie drzewo wybranym algorytmem i obejrzyj wyniki.
• Zdefiniuj przykłady testowe: View/Edit examples
• Dokonaj klasyfikacji: Test examples
• Spróbuj przenieść wybrane elementy zbioru uczącego do przykładów testowych - jak to wpływa na strukturę budowanego drzewa?

• Następnie usuń drzewo Reset graph
• Spróbuj dokonać ręcznej konstrukcji drzewa, wybierając opcję Split node → zwróć uwagę na parametry osiągane przy rozgałęzianiu z użyciem różnych atrybutów.
• Porównaj kilka otrzymanych drzew i to jak klasyfikuję dane, w porównaniu do tego, które jest budowane automatycznie.

• Obejrzyj pozostałe przykłady zbiorów danych
• W wybranych z nich rozbuduj zbiór uczący i obserwuj wyniki.
• Spróbuj przenieść wybrane elementy zbioru uczącego do przykładów testowych - jak to wpływa na strukturę budowanego drzewa?
• Dokonaj modyfikacji wybranego przykładu

• Wzorując się wybranym przykładem, np. Likes TV lub Classification of animals spróbuj zbudować własny używając różnego typu atrybutów, tj. boolowskich, symbolicznych i numerycznych.

• Uruchom równocześnie program do budowy sieci neuronowych
• Spróbuj załadować te same przykłady do obu programów.
• Porównaj klasyfikację.
• Spróbuj dokonać podobnych modyfikacji w zbiorach uczących i porównaj wyniki.