Scribd
Importer
42 vues2 pages

TD 3

Le document présente un TD sur les approches supervisées en data mining, incluant des exercices sur la classification bayésienne, les arbres de décision, et les K plus proches voisins. Il fournit des données d'apprentissage et de test pour appliquer ces techniques, ainsi que des questions de cours pour évaluer la compréhension des concepts. Les tâches incluent la prédiction de classes, la construction d'arbres de décision, et des calculs de gain d'information.

Transféré par

Ikay Ikay
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
42 vues2 pages

TD 3

Le document présente un TD sur les approches supervisées en data mining, incluant des exercices sur la classification bayésienne, les arbres de décision, et les K plus proches voisins. Il fournit des données d'apprentissage et de test pour appliquer ces techniques, ainsi que des questions de cours pour évaluer la compréhension des concepts. Les tâches incluent la prédiction de classes, la construction d'arbres de décision, et des calculs de gain d'information.

Transféré par

Ikay Ikay
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

TD Data mining

M1 SID Yoann Pitarch


2015-2016

TD N° 3
Approches supervisées

Nous disposons des données d’apprentissage suivantes :

A B Classe
1 2 X
1 1 X
2 1 X
1 1 X
1 1 Y
2 2 Y
2 2 Y
2 2 Y

et des données de test suivantes :

A B A prédire Classe réelle


1 1 ? Y
1 2 ? X
2 2 ? Y
2 1 ? X

1 Classification bayésienne
1) Prédisez la classe pour les données de test.
2 Arbres de décision
1) Construisez l’arbre de décision à partir des données d’apprentissage ci-dessus.
2) Quelle est la précision et le rappel lorsque vous appliquez l’arbre construit sur le jeu
de données test
3) Soit le jeu de test ci-dessous. En supposant l’erreur tolérée de 20%, pouvez-vous
élaguer l’arbre construit précédemment ?
3 K plus proches voisins
1) En utilisant une la distance city-block et avec K=3, classez les instances suivantes :
a. A=0, B=0
b. A=2, B=3
2) Ecrivez l’algorithme qui permet de prédire la classe d’un point X = (x1,..,xm). La
fonction de distance est supposée être une primitive du système.

4 Algorithme
En supposant la fonction entropie connue comme une primitive du système, donnez le
pseudo-code associé au calcul du gain d’information.
5 Questions de cours

Confirmez ou infirmez et commentez les affirmations suivantes.

1. Le jeu d’apprentissage et le jeu de test peuvent contenir des éléments communs


2. La validation simple n’est utile que lorsque le jeu de données de test est
volumineux.
3. Un modèle ayant une AUC = 0.9 est meilleur qu’un modèle dont l’AUC est 0.7
4. Il est toujours possible d’obtenir un arbre de décision parfait selon le jeu
d’apprentissage.
5. La classification bayésienne fonction très bien sur des données numériques
6. Il est toujours possible de trouver une séparation parfaite avec des SVM
7. Les KPP peuvent être appliqués sur tous les types de données.

Vous aimerez peut-être aussi