Inteligencia Artificial 2 - Prolog

 

Inteligencia Artificial II (Curso 2012-2013) Ejercicios propuestos del tema 2 Ejercicio 1:

Unos bi´ologos ologos que exploraban la selva del Amazonas han descubierto una nueva especie de insectos, que bautizaron con el nombre de  lepistos . Desgraciad Desgraciadamen amente, te, han desaparecido y la ´unica unica informaci´on on que disponemos del nuevo insecto viene dada por el siguiente conjunto de ejemplos encontrados en un cuaderno de notas, en los que se clasifican una serie de muestras de individuos en funci´on de ciertos ˜ o  y su   velocidad: par´ aametros metros como su   color, el tener   alas, su  taman no

           

negro amarillo amarillo blanco bl negro ne rojo rojo negro negro

Alas si no no si no si si no si

˜o Tamano n peque~ no grande grande medio medio peque~ no peque~ no medio peque~ no

Velo Veloci cid dad alta media baja alta alta alta baja media media

Lepi Lepist sto o si no no si no si no no no

 

amarillo

si

grande

media

no

Ejemplo   Color E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 E 9 E 10

     

Contestar a las siguientes cuestiones:  

 

 

 

 

¿Cu´ aall es la entrop entrop´´ıa del conjunto conjunto de ejemplos, ejemplos, respecto respecto a la clasificac clasificaci´ i´ on on de los mismos que realiza el atributo   Lepisto? ¿Qu´ e atributo proporciona mayor ganancia de informaci´ on? on? Aplicar (detallando cada uno de los pasos realizados) el  algoritmo ID3  para encontrar, a partir de este conjunto de entrenamiento, un ´arbol que nos permita decidir si un determinado individuo es un lepisto o no. Obtener un conjunto de reglas a partir del ´arbol arbol obtenido en el apartado anterior. Seg´ un un el concepto aprendido, ¿hay alg´ un un atributo que sea irrelevante para decidir si un individuo es un lepisto?

Ejercicio 2:

Una entidad bancaria concede un pr´estamo estamo a un cliente en funci´on on de una serie de par´ametros: ametros: su edad (puede ser  joven,  mediano o  mayor), sus ingresos (altos,  medios o bajos), un informe sobre su actividad financiera (que puede ser  positivo ´stamo  a su cargo o no. La siguiente o  negativo) y, finalmente, si tiene   otro prestamo e tabla presenta una serie de ejemplos en los que se especifica la concesi´oon n o no del pr´estamo esta mo en funci´ fun ci´on on de estos par´ametros: ametros:

1

 

Ejemplo   Edad E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 E 9 E 1100 E 1111 E 1122 E 1133 E 1144

   

joven joven   mediano   mayor   mayor                  

mayor mediano joven joven mayor joven mediano mediano mayor

Ingr Ingre eso soss altos altos altos medios bajos

Inf nfo orme rme negativo negativo negativo negativo positivo

Otr tro o pr´ e est stamo no si no no no

Conce Conceder der no no si si si

bajos bajos medios bajos medios medios medios altos medios

positivo positivo negativo positivo positivo positivo negativo positivo negativo

si si no si no si si no si

no si no si si si si si no

Supongamos que modificamos el  algoritmo ID3  de manera que el criterio para obtener el “mejor” atributo que clasifica un conjunto de ejemplos es el de  menor  ganancia de informaci´on. on. En esta situaci´oon n se pide:  

 

 

En caso de ausencia de ruido, ¿obtendr´ ¿obtendr´ıa el algoritmo modificado mo dificado un arbol ´arbol de decisi´ on on consistente con los ejemplos del conjunto de entrenamiento?, justifica la respuesta. ¿Qu´e sesgo ses go tendr t endr´´ıa el algoritmo algorit mo modifi m odificado?, cado?, justifica justifi ca la respuesta. respuest a. Aplicar (detallando cada uno de los pasos realizados) el algoritmo modificado para encontrar, a partir de este conjunto de entrenamiento, un ´arbol que nos permita decidir sobre la concesi´on on de pr´estamos est amos..

Ejercicio 3:

Aplicar el   algoritmo ID3  para construir un ´arbol arbol de decisi´on on consistente con los siguientes ejemplos, que nos ayude a decidir si comprar o no un CD nuevo. Ejemplo   Cant Cantante ante E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 E 9 E 1100

                   

Qu Q ueen Mozart Anastacia An Queen Qu Anastacia An Queen Qu Wagner Anastacia An Queen Qu Mozart

´fica Dis Disco cogr gra Emi Emi Coraz´ on Sony Coraz´ on Sony Sony Coraz´ on Emi Sony

´ nero Ge ener o rock cl´ asico soul rock soul rock cl´ asico soul rock cl´ asico

Prec Precio io 30 40 20 20 30 30 30 30 40 40

Ti Tien end da Mixup Virgin Virgin Virgin Mixup Virgin Mixup Virgin Virgin Mixup

Comp Compra rar r si no si si si si no no no si

Considerar los siguientes ejemplos como conjunto de prueba y obtener la medida de rendimiento del ´arbol arbol obtenido. Ejemplo   Cant Cantante ante E 1111 E 1122 E 1133 E 1144 E 1155 E 1166

 

Queen   Anastacia   Queen Qu   Anastacia   Queen Qu   Mozart

´fica Dis Disco cogr gra Emi Coraz´ on Sony Coraz´ on Sony Sony

2

´ nero Ge ener o rock soul rock soul rock cl´ asico

Prec Precio io 30 20 20 30 40 40

Ti Tien end da Virgin Virgin Virgin Virgin Virgin Mixup

Comp Compra rar r si no no no no si

 

Ejercicio 4:

La siguiente tabla muestra ejemplos de plantas, indicando si sobrevivieron m´aass ˜ o ( grande,  medio de un a˜ no no o no n o despu´es es de ser s er compradas, compr adas, en funci´ fun ci´on on de su  taman no o  peque~ n no o), de su  ambiente adecuado (interior o  exterior), de si tienen  flores ´ n  en la que se compr´o. y de la  estacio o. on Taman ˜o Ejemplo   Tama˜ E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 E 9 E 1100 E 1111 E 1122 E 1133 E 1144 E 1155 E 1166

                               

gr g rande grande gr grande grande g rande gr grande m edio me m edio me medio m edio me medio me peque~ no peque~ no peque~ no peque~ no peque~ no

Fl Flo ores si si si si no no si si no no no si si no no no

Ambie biente interior interior exterior exterior interior exterior interior interior interior exterior exterior interior exterior interior interior exterior

Estaci´ cion o ´n verano verano primavera invierno oto~ no primavera verano verano primavera oto~ no verano invierno verano pr primavera verano oto~ no

Sobr Sobrev eviv ive e no no no no no no si si si no no no si no si no

1. Vamos a utilizar el   algoritmo de cobertura  para encontrar reglas que nos permitan deducir que cierta planta s´ı sobrevive m´as a s de un a˜ no. no. Detallar Detallar los primeros pasos de dicho algoritmo, s´olo olo hasta el momento en que el algoritmo encuentra la segunda regla. ¿El algoritmo parar´ parar´ıa en ese momento, o continuar´´ıa? (responder nuar (resp onder explicand ex plicandoo el motivo) m otivo) 2. Aplicar Aplicar (detallando (detallando cada uno de los pasos realizados) realizados) el  algoritmo ID3  para encontrar un arbol ´arbol de decisi´on on consistente con el conjunto de entrenamiento   }  que permita decidir si una planta sobrevivir´ a m´aass de un a˜ n noo o {E 1 , . . . , E16 no despu´es es de ser s er comprada. compra da. Suponer Supon er que se s e elige para el nodo ra´ ra´ız el atribut a tributoo ˜ tamano no, y continuar la ejecuci´ oon n del algoritmo a partir de ah´ ah´ı. 3. Considere Consideremos mos la siguiente siguiente tabla de ejemplos como conjunto conjunto de prueba prueba Taman ˜o Ejemplo   Tama˜ E 17 17 E 18 18 E 19 19 E 20 20 E 21 21 E 22 22 E 23 23 E 24 24

               

grande m edio me medio medio me peque~ no peque~ no peque~ no peque~ no

Flo lore ress no no no si si si no no

Ambie mbient nte e exterior interior exterior exterior interior interior interior exterior

Esta stacion o ´n verano oto~ no primavera verano verano invierno verano oto~ no

Sobr Sobrev eviv ive e no si no no no no no no

(a) Calcular el rendimiento del ´aarbol rbol de decisi´on on obtenido en el apartado anterior. (b) Aplicar un proceso de poda sobre dicho ´arbol. arbol.

3

 

Ejercicio 5:

Una empresa de material deportivo quiere hacer un estudio de mercado para encontrar las caracter´ caracter´ısticas principales de sus potenciales clientes. En una primera fase, las caracter´ caracter´ısticas a estudiar son las siguientes: la  edad  ( joven o  adulto), ser deportista  profesional, el nivel de   ingresos  ( altos,  medios  o  bajos) y el  sexo. Paraa ello, se realiza Par realiza un cuestionar cuestionario io a 21 p person ersonas, as, obteniendo obteniendo los resultados resultados que se reflejan en la siguiente tabla: Ejemplo   Eda Edad E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 E 9 E 1100 E 1111 E 1122 E 1133 E 1144 E 1155 E 1166 E 1177 E 1188 E 1199 E 2200 E 2211

                                         

joven joven joven joven joven adulto adulto adulto adulto adulto adulto adulto adulto joven joven adulto adulto joven joven adulto joven

Profesio esion nal si si no si no si no si no si no si no si si no no no no si si

Ing ngre ressos bajos altos altos bajos medios altos altos altos medios bajos medios medios altos altos medios medios bajos medios bajos medios medios

Sexo hombre hombre mujer mujer mujer h ho ombre mujer mujer m mu ujer mujer mu m ujer hombre ho h ombre mujer hombre hombre ho h ombre hombre mujer mu m ujer mu mujer

Inte tere ressad ado o si si no si no no no no no no no no si si si no no no no no si

Se pide:  

 

Aplicar el algoritmo ID3 (desarroll´andolo andolo paso a paso) para obtener un arbol ´arbol de decision que sirva para decidir si un cliente potencial est´a interesado o no en el producto que ofrece la empresa. Tomar como conjunto de entrenamiento los primeros 15 ejemplos de la tabla. Tomando ahora como conjunto de prueba los ejemplos del 16 al 21 de la tabla, calcular el rendimiento del ´arbol arbol de decisi´ decisi´ on on obtenido en el apartado anterior. Usando ese conjunto de prueba, aplicar un proceso de  podado a posteriori sobre el ´arbol arbol de decisi´on. on. Exp Expres resar ar mediante mediante reglas reglas el arbol ´arbol obtenido tras la poda ¿Qu´ e rendimiento tiene este ´aarbol rbol sobre el con conjunt juntoo de prueba? ¿Y sobre el conjunto de entrenamiento?

Ejercicio 6:

Se han encontrado una gran cantidad de obras de arte realizadas por dos artistas A  y   B, pero s´ olo olo para un peque˜ no no n´ umero umero de obras se ha podido asegurar cu´al al de

los dos es el autor. La siguie siguient ntee tabla tabla muest muestra ra los datos datos de dichas dichas obras, obras, indica indicando ndo el autor autor en funci´ on on del  tipo de obra (grabado,  ´oleo oleo o  acuarela), del  lugar donde se encontr´ o la obra (Espa~ n na a,  Portugal  o  Francia), de su  estilo  ( cl´ asico asico  o  moderno), y de si tienen  marco  o no.

4

 

Ejemplo   Tipo E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 E 9 E 1100 E 1111 E 1122 E 1133 E 1144 E 1155 E 1166

                               

grabado grabado grabado grabado grabado grabado oleo ´ oleo ´ oleo ´ oleo ´ oleo ´ acuar cuare ela ac acua uare rela la a cuarela ac ac acua uare rela la a cuarela ac

Lugar Espa~ na Espa~ na Po P ortugal Francia Francia Francia Espa~ na Espa~ na Francia Portugal Espa~ na Fr Fran anci cia a Es Espa pa~ na ~ Francia Es Espa pa~ na ~ Portugal

Estilo cl´ asico m mo oderno moderno cl´ asico mo moderno mo moderno cl´ asico cl´ asico moderno moderno mo moderno cl´ asico cl´ asico moderno mo moderno moderno

Marco no no no si no si si no no si si no si no no si

Au Autor B B B B B B A A A B B B A B A B

1. Aplicar Aplicar (detallando (detallando cada uno de los pasos realizados) realizados) el  algoritmo ID3  para encontrar un arbol ´arbol de decisi´on on consistente con el conjunto de entrenamiento   }  que permita decidir si una obra de arte fue realizada por   A   o {E 1 , . . . , E16 por  B . 2. Considere Consideremos mos la siguiente siguiente tabla de ejemplos como conjunto conjunto de prueba prueba Ejemplo   Tipo E 17 17 E 18 18 E 19 19 E 20 20 E 21 21 E 22 22 E 23 23 E 24 24

 

grabado   oleo ´   oleo ´   oleo ´   acu cua are rel la   acu cua are rel la   acu cua are rel la   ac acua uare rela la

Lugar Espa~ na Portugal Francia Espa~ na Es Espa pa~ na ~ Fran Franc cia Es Espa pa~ na ~ Po Port rtug ugal al

Estilo mo moderno moderno moderno mo moderno cl´ asico cl cl´ asico ´ mo moderno cl cl´ asico ´

Marco si no si no no si si si

Au Autor A A B A A B A B

(a) Calcular el rendimiento del ´aarbol rbol de decisi´on on obtenido en el apartado anterior. (b) Aplicar Aplicar (detallando (detallando los pasos realizados) realizados) un proceso de poda sobre dicho ´arbol. arbol. Ejercicio 7:

Una empresa suministra a un cliente informaci´on on sobre novelas, las cuales a ve veces ces compra compra y a veces veces no. Suponga Supongamos mos que hemos dividid divididoo un conjunto conjunto de 100 ejemplos ejemp los en dos subconjuntos. subconjuntos. El primero, con 90 ejemp ejemplos, los, lo hemos usado para crear un arbol ´arbol de decisi´oon n y el segundo, con 10 ejemplos, es el que aparece en la siguiente tabla, donde se muestran ofertas de la empresa y si el cliente compr´o o no. Las ofertas dependen de los atributos  Idi  Idioma, oma, G´ enero, enero, Precio  y  Edici´  on .

5

 

Ej.   Id Idioma 1 Espan ˜ ol 2 Fra ranc nc´´es 3 Ingl´es 4 Fra ranc nc´´es 5 Franc´es 6 Espan ˜ ol 7 Fra ranc nc´´es 8 Ingl´es 9 Espan ˜ ol 10 Franc´es

´nero Ge

Precio

´n Edicion o

Aventuras Polic olic´´ıaco ıaco Aventuras Hist Hist´´orico Aventuras Aventuras Hist Hist´´orico Polic´ıaco Aventuras Aventuras

Alto Alto lto Medio Baj ajoo Alto Baj ajoo Baj ajoo Medio Ba jjoo Baj ajoo

Tapa dura Tapa bl blan anda da Tapa blanda Tapa blanda Tapa blanda Tapa blanda Tapa blanda Tapa blanda Tapa dura Tapa blanda

 

Compra 

S´ı S´ı No S´ı No No S´ı No No No

Supongamos que el arbol ´arbol obtenido tras aplicar el algoritmo ID3 utilizando el conjunto de 90 ejemplos es el siguiente:  Idioma  Espanol 

 Ingles  Frances SI  15

 Precio

 Edicion

 Alto T. Blanda

 Medio

T. Dura

 Bajo Genero

 NO  4

 

T. Blanda

SI

7

SI  12

   NO 9  

 NO 8

 Edicion

SI 

 

SI

2

T. Dura

 NO

16 

17 

Junto a la clasificaci´on on de cada hoja aparece el n´ umero umero de elementos del conjunto D  que verifica la condici´ oon, n, esto es, hay 4 ejemplos con el Idioma  Fr  Fra anc´es  y Precio Bajo, todos ellos con la clasificaci´ on on   No   y hay 2 ejemplos con Idioma   Espa˜  nol   y Edici´ on on en   Tapa Tapa Dura Dura, ambos con la clasificaci´ on on   S´ ı. Se pide pide usar usar el  Algoritmo arbol arbol usando como conjunto de prueba de poda para reducir el error  sobre el ´ el mostrado en la tabla anterior. Ejercicio 8:

La siguiente tabla muestra informaci´on on sobre setas, indicando si son comestibles ˜ o  del pie, la  forma o no en funci´on on de algunas caracter´ısticas: ıstica s: el  color, el  taman no del sombrero, el   entorno  en el que se presenta y la forma en que se  agrupa   con otras setas:

rojo   blanco   rojo   bl blan anco co   marr´ on   rojo   marr´ on   marr´ on

˜o Tama aman mediano grande peque~ no pe pequ que~ e~ no grande grande mediano mediano

Form rma a plana plana pl plana c´ oncava convexa c´ oncava convexa plana

Ento tor rno pinar pinar pradera cueva pinar cueva pradera pinar

´n Agrup grupa acion o aislada racimo racimo grupo grupo grupo aislada racimo

Come Comest stib ible le si si si si si no no no

   b bl lo aj no co r

me eq du ie a~ no o p n

co on nv ve ex xa a c

pu ie nv aa r c

ag ir su lp ao da

no o n

Ejemplo   Colo Color r E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 E 9 E 1100

 

6

 

Se pide:  

Aplicar (detallando cada uno de los pasos realizados) el  algoritmo de cobertura  para encontrar, a partir de este conjunto de entrenamiento, un conjunto de reglas que nos permita clasificar nuevas instancias. Obtener las reglas para clasificar tanto instancias positivas como negativas. Seg´un un lo aprendido ¿hay alg´ un un atributo irrelevante para realizar esta clasificaci´on? on?

 

Clasificar las siguientes instancias utilizando el conjunto de reglas aprendido:

I 1 I 2 I 3 I 4

Color Colo r   blan blanco co   rojo   marr´ on   rojo

˜o Tama amano n pe pequ que~ e~ no mediano mediano mediano

Forma c´ oncava plana plana c´ oncava

Ento tor rno pradera cueva pinar pinar

´n Agru grupacio on racimo aislada racimo grupo

Ejercicio 9:

La siguiente tabla muestra ejemplos de situaciones en las que comprar o no un ordenador, en funci´oon n de su   precio  ( alto,  medio  o  bajo), su  procesador  ( AMD  o Intel), si tiene tarjeta   ethernet  y si el monitor es   TFT  (se supone que el resto de caracter´ısticas ıstica s es com´un). un). Ejemplo   Prec Precio io E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 E 9 E 1100 E 1111 E 1122 E 1133 E 1144 E 1155 E 1166

                               

alto alto alto alto alto alto medio medio medio medio medio bajo bajo bajo bajo bajo

Et Ethe hern rnet et si si si si no no si si no no no si si no no no

Pr Proc oces esad ador or AMD AMD Intel Intel AMD Intel AMD AMD AMD Intel Intel AMD Intel AMD AMD Intel

TFT TFT si no si no no no si no si si no si no si no si

Comp Compra rar r no no no no no no si si si no no no si no si no

Aplicar (detallando cada uno de los pasos realizados) el   algoritmo de cobertura  para encontrar, a partir de este conjunto de entrenamiento, un conjunto de reglas permita decidir sobre la compra de un ordenador, tanto afirmativa como negativamen ativ amente. te. Seg´ un un las reglas aprendidas ¿deber´ ¿deber´ıamos comprar un ordenador con monitor TFT si el precio es bajo? ¿hay alg´un un atributo irrelevante? Ejercicio 10:

La siguiente tabla muestra una serie de datos acerca de ejemplos de personas que han sufrido quemaduras solares, junto con los datos acerca de su color de  pelo, ´ n  o no. su   altura, su  peso  y si usaban  proteccio on

7

 

Ejemplo   Pelo Pelo E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8

  rubio   rubio   moreno   rubio   rojo   moreno   moreno   rubio

Altur tura medio alto ba bajo bajo me m edio alto medio b ba ajo

Peso bajo medio me medio medio alto alto al alto ba b ajo

´n Protecci ccion o no si si no no no no si

Quem Quemad adur ura a si no no si si no no no

Aplicar (detallando cada uno de los pasos realizados) el   algoritmo de cobertura  para encontrar, a partir de este conjunto de entrenamiento, un conjunto de reglas que nos permita decidir situaciones en las que se producir´a quemadura solar. Seg´ un un lo aprendido ¿hay alg´u un n atributo irrelevante para decidir si se producir´a quemadura solar? Ejercicio 11:

La siguie siguiente nte tabla muestra muestra informaci´ oon n sobre si un alumno aprueba o no la asignatura de IA2, en funci´oon n de su nota en la asignatura de L´ogica ogica Inform´atica atica (LI), si tiene   internet   en casa, casa, si usa la   bibliograf´ıa   recomendada y de su ´ aficio on n  preferida:   LI sobresaliente   aprobado   aprobado ap   sobresaliente   notable no   aprobado   notable   sobresaliente   sobresaliente   notable   notable   aprobado   notable   aprobado

Ejemplo E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 E 9 E 1100 E 1111 E 1122 E 1133 E 1144

 

Internet si si si no si si no no si si no no si no

Bibliograf´ıa no no si si si si si no si no no si no no

Aficio ´n cine m´ usica deporte deporte deporte m´ usica m´ usica m´ usica cine cine cine deporte m´ usica m´ usica

IA2 si si si si si si si si si no no no no no

Aplicar (detallando cada uno de los pasos realizados) el   algoritmo de cobertura  para encontrar, a partir de este conjunto de entrenamiento, un conjunto de reglas que nos permita decidir si un determinado alumno va a aprobar la asignatura IA2 o no. Ejercicio 12:

Una asociaci´on on juvenil juvenil de geolo geologg´ıa propone a sus miembros miembros una excursi´ excursi´ oon n a Sierra M´agina agina (Ja´en) en) para buscar restos restos de meteoritos meteoritos.. Para Para distinguirlo distinguirloss de las dem´ aass piedras se tienen en cuenta diferentes factores entre los que se encuentran los siguien siguientes tes:: la presen presencia cia de cortez cortezaa de fusi´ fusi´ on o n (el   color   de su superficie), la densidad, el   magnetismo   y la apariencia   interior   ( met´ alica alica,   cristalina   o Geolog´ıa de Sevilla determina p´ etrea etrea). Una vez recogidas las muestras, el Museo de Geolog´ cu´ aales les son restos de meteoritos y cu´ales ales no. Los datos datos se recoge recogen n en la siguien siguiente te tabla:

8

 

Ejemplo   Colo Color r E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 E 9 E 1100

                   

negro blanco blanco gris negro marr´ on marr´ on negro negro blanco

Dens Densid idad ad alta baja baja alta baja alta alta baja alta alta

Magn Magnet etis ismo mo alto bajo bajo medio medio alto alto medio alto bajo

Inte Interi rior or met´ alico p´ etreo cristal met´ alico met´ alico met´ alico cristal p´ etreo p´ etreo p´ etreo

Mete Meteor orit ito o si no no si no si no no no no

Se pide:  

 

 

 

Aplicar el  algoritmo de cobertura  para obtener un conjunto de reglas que ayuden a decidir si una muestra es un resto de meteorito o no. Aplicar el  algoritmo ID3  para obtener un arbol ´arbol de decisi´on on que igualmente nos ayude a decidir si una muestra es un resto de meteorito o no. A la vista de los resultados, ¿existe alg´ un un atributo que sea irrelevante a la hora de tomar la decisi´on? on? Extraer un conjunto de reglas a partir del ´aarbol rbol construido por el algoritmo ID3 ¿es el mismo conjunto de reglas que el obtenido en el primer apartado?

Ejercicio 13:

El departame de partamento nto de Biolog´ıa ıa Marina Ma rina quiere analizar las caracter´ c aracter´ısticas ısticas que hacen h acen que los peces de tama˜ no no inferior a 20 cm sobrevivan sobrevivan en cautividad cautividad.. Para Para ello han recogido datos de 20 muestras en las que se indica la adaptaci´on on a la  cautividad en ˜ funci´ on on del   taman no o   (peque~ n no o,  mediano   o  grande), la  temperatura  del habitat natural (fr´ ı ıa a,  templada  o  c´alida alida), la   salinidad  del habitat natural (agua  dulce o  salada) y la   sociabilidad  de la especie (solitario,  pareja  o  grupo) ˜o Ejemplo   tamano n E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 E 9 E 1100 E 1111 E 1122 E 1133 E 1144 E 1155 E 1166 E 1177 E 1188

                                   

peque~ no peque~ no peque~ no peque~ no peque~ no peque~ no mediano mediano mediano mediano mediano mediano mediano grande grande grande grande grande

temp temper era atura tura fr´ ıa fr´ ıa fr´ ıa templada templada c´ alida fr´ ıa fr´ ıa templada templada c´ alida c´ alida c´ alida fr´ ıa fr´ ıa templada templada templada

  

gr ra an nd de e g

c´ al ´ li id da a c a

sa sali lini nid dad dulce salada dulce salada dulce salada dulce salada dulce salada dulce salada dulce salada dulce salada dulce salada

soci sociab abil ilid idad ad solitario pareja grupo solitario grupo grupo solitario pareja grupo solitario solitario grupo solitario pareja grupo solitario grupo grupo

ca caut utiv ivid idad ad no si no si no si si si no no si no no si si no si si

sdaullacdea

soplairteajraio

no o n

19

E 2200 E 

9

 

1. Al aplicar el algoritmo algoritmo de aprendizaje aprendizaje inductivo inductivo  ID3 , ¿c´ ual ual es el nodo elegido como ra´ız ız del ´aarbol rbol de aprendizaje? 2. A par partir tir del nodo ra ra´´ız elegid elegidoo en el aparta apartado do an anter terior ior,, desarr desarroll ollaa todo el sub´ arbol arbol correspondiente al nodo hijo de mayor entrop´ entrop´ıa. 3. mayor Argumenta razonadamen razonadamente o en de la on: on: “A entrop´ ıa ıa mayor m ayor es te la aprofundid prfavor ofundidad adcontra del d el ´arbol arbol desiguiente decisi´on” on”afirmaci´ 4. Apl Aplica icarr el   algorit algoritmo mo de cobe cobertu rtura ra   para para encon encontra trarr reg reglas las con el menor menor n´umero umero de condiciones posible, que nos permitan deducir si una especie sobrevive brevi ve en cautiv cautividad idad a partir partir de sus caracter caracter´´ısticas. ısticas. Detallar Detallar los pasos de dicho dic ho algoritmo algoritmo hasta el momento en que se completa completa la primera regla. regla. En este punto, ¿por qu´e es necesario seguir aplicando el algoritmo de cobertura? Ejercicio 14:

Aplicar (detallando cada uno de los pasos realizados) el   algoritmo restringido de FOIL  (esto es, no aceptamos el predicado de igualdad ni literales negados en el cuerpo de las cl´ausulas) ausulas) para aprender el predicado  p(A)  a partir de los siguientes datos: Ejempl Eje mplos os positi positivos vos: : p(1 p(1) ) p(3 p(3) ) p(5 p(5) ) p(6 p(6) ) Eje Ejempl mplos os negati neg vos: : p(2 p(2) p(4) ) p(7) ) p(8 p(8) ) Conoci Con ocimie miento ntoativos base: r(8) r(8) ) p(4 r(9 r(9) ) p(7 q(1 q(1,8) ,8) q(3,9 q(3,9) ) q(5,8) q(5,8) q(6,9 q(6,9) ) q(2,4) q(2,4) q(7,7) q(7,7) Ejercicio 15:

Consid´ erese erese el siguiente problema de programaci´ on on l´ogica ogica inductiva, en el que se quiere aprender la definici´oon n de un predicado binario   r. El lenguaje lenguaje que hemos hemos de usar para nuestra definici´on on consta de un predicado binario   p  y de constantes 0,1,2,3,4,5,6   y   7. Lo que sigue sigue so son n los los ejem ejempl plos os que tenemo tenemoss so sobr bree   r   y el conocimiento base: Ejemplos positivos Ejemplos positivos: : r(1,2), r(1,2), r(1,3), r(1,3), r(5,6), r(5,6), r(6,7), r(6,7), r(0,2), r(0,2), r(4,5) r(4,5) Ejemplos Ejemp los negativos negativos: : r(0,4), r(0,4), r(1,5), r(1,5), r(6,2), r(6,2), r(4,1), r(4,1), r(3,4) r(3,4) Conoci Con ocimie miento nto base: base: p(0 p(0,1) ,1), , p(0 p(0,2) ,2), , p(0 p(0,3) ,3), , p(4,5) p(4,5), , p(4,6) p(4,6), , p(4,7) p(4,7)

1. Si aplicamos aplicamos el algoritmo algoritmo FOIL, ¿cu´ ales ales ser ser´´ıan los literales candidatos para ser la primera condici´on on de la primera regla que se aprenda? 2. ¿Cu´al al es la ganancia de informaci´oon n que tendr´ııaa el candidato candida to  p(x,y)? Suponiendoo que finalme niend finalmente nte se escoja ´este este literal literal como primera primera condici´ condici´ on o n de la primera regla, justificar por qu´e ya no habr´ habr´ıa que a˜nadir nadir m´as as condiciones a esa regla. Justificar Justifi car tambi´en en por qu´e habr´ıa ıa que seguir buscando buscand o m´as as reglas. 3. Suponer ahora que estamos dentro del bucle interno de FOIL con la regla r(x,y) r(x ,y)