Avaliação de algoritmos de aprendizagem supervisionada
Complexidade computacional.
Tanto na aprendizagem como na utilização.
Legibilidade – a representação do conhecimento aprendido deve ser tão legível quanto possível.
Especialmente relevante em sistemas de apoio à decisão.
Precisão – o conhecimento aprendido deve ser tão preciso quanto possível.
No caso de problemas de classificação, a precisão é avaliada experimentalmente como a percentagem de erros de classificação num conjunto de exemplos de teste (não usados na aprendizagem).
Avaliação experimental da precisão em aprendizagem supervisionada
Partição dos exemplos disponíveis em dois subconjuntos:
Subconjunto de treino – exemplos usados para a aprendizagem (p. ex. 2/3 de todos os exemplos).
Subconjunto de teste – exemplos usados na avaliação experimental da precisão (p. ex. 1/3).
Validação-cruzada-k
Divide-se o conjunto de exemplos disponíveis em k subconjuntos.
Para cada subconjunto Si, treinar usando todos os outros e testar em Si.
A precisão é dada pela percentagem global de erros (após todas as iterações treino-teste).
Um-de-fora
Equivale à validação-cruzada-k, para o caso em que k é o número total de exemplos disponíveis.
Last updated