Prelegent: dr hab. Jerzy Stefanowski, prof. PP (Politechnika Poznańska)
Miejsce: Sala seminaryjna B1-7/8
Data i godzina: 5 listopada 2019 r., g. 12:30
Streszczenie: Metody poprawy działania klasyfikatorów uczonych z niezbalansowanych danych są nadal wyzwaniem badawczym w ramach uczenia maszynowego. W szczególności dotyczy to automatycznego odkrywania reguł klasyfikacyjnych z danych, gdyż wiele ze znanych metod jest nadmiernie ukierunkowane w stronę klas większościowych i napotyka trudności w skutecznym rozpoznawaniu przykładów z klas mniejszościowych. Powyższe ograniczenia są także powiązane z trudnościami złożonych rozkładów przykładów klas mniejszościowych w niezbalansowanych danych. W wyniku analizy powyższych źródeł trudności oraz ograniczeń istniejących algorytmów K. Napierała i J. Stefanowski wprowadzili algorytm BRACID. W tym algorytmie wykorzystano informacje o typach trudności przykładów, podwójną reprezentację wiedzy (reguły i pojedyncze przypadki), nowe strategie konstrukcji reguł (poprzez stopniowe uogólnianie) oraz specjalizowane techniki rozstrzygania konfliktów w trakcie klasyfikowania nowych przypadków. W referacie zostanie podsumowana ocena eksperymentalna algorytmu BRACID i pokazane jego lepsze działanie predykcyjne w stosunku do znanych algorytmów. Ponadto, w końcowej części wystąpienia omówione zostanie autorskie podejście do wspomagania interpretacji pojedynczych reguł, wykorzystujące Bayesowskie miary konfirmacji.