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