Prueba 01 2do Semestre 2013

Ejemplo de prueba de Inteligencia Artificial
1.- Explique y comente sobre los siguientes conceptos vistos en el curso (36 pts) (6 pts
cada una)
a) Explicar claramente las diferencias entre un proceso de aprendizaje supervisado
(Clasificación) y uno no-supervisado (Clustering). (mencionar al menos 2 diferencias
entre ellos).
b) Explique y describa claramente las etapas generales que deben serconsideradas en
un proceso de clasificación (aprendizaje supervisado). Como ayuda se sugiere utilizar
esquema general del proceso de clasificación visto en clases, que incluye etapa de
clasificación de nuevos ejemplos.
c) Explicar que se entiende por generalidad de un modelo de aprendizaje automático.
d) Explicar claramente que se entiende por sobre-ajuste de modelos, indique los
principales problemasasociados.
e) Explique por qué es importante realizar un proceso de validación cruzada al evaluar
modelos de clasificación.
f)

Explique claramente el funcionamiento y supuestos considerados para el uso del
método clasificación de “los k vecinos cercanos – kNN”.

2.- Considere la siguiente matriz de confusión que muestra los resultados de validación de
un modelo de predicción para un problema declasificación dado. Existen 4 clases (A, B, C,
D). Se pide lo siguiente: (14 puntos en total).
Estimar la eficiencia global del modelo. (4 pts)
Estimar la tasa de Verdaderos Positivos (TP) de las clases B y D (5 pts)
Estimar la tasa de Falsos Positivos (FP) de las clases A y C (5 pts)
Se debe indicar claramente y en detalle, como se realizan cada una de estas
estimaciones. Respuestas sin detalleso con explicaciones erradas no obtendrán
puntaje.

Predicciones

Clase Real
A

B

C

D

A

25

4

1

5

B

3

32

7

1

C

1

6

16

1

D

0

3

6

30

3.- Árboles de Decisión (25 pts)
Considere el siguiente problema de clasificación. Donde los ejemplos de entrenamiento
pertenecen a una de dos clases definidas como (P y Q). Cada ejemplo es caracterizado
por un vector de 4 atributos discretos (X,Y, Z, W). De este modo cada ejemplo asociado a
este problema puede ser identificado por una tupla de la forma (Xi, Yj, Zk, Wl).
Considere el siguiente grupo de tuplas para entrenar un modelo de clasificación, que
incluye 8 ejemplos de la clase P y 8 ejemplos de clase Q:
Clase P: p1=(x1,y1,z1,w1); p2=(x1, y2, z1, w2); p3=(x2,y1,z2,w1); p4=(x2, y2, z3, w3);
p5=(x2,y2,z2,w2); p6=(x2, y2, z1, w3);p7=(x3, y1, z2, w1); p8=(x3, y1, z1,w1);
Clase Q: q1=(x1,y2,z3,w3); q2= (x1,y1, z2, w3); q3= (x1,y1,z1,w3); q4= (x2, y1, z3, w2);
q5=(x2,y2,z1,w1); q6= (x3, y1, z1, w2); q7= (x3,y2,z2,w1); q8= (x3, y2, z3, w3);
El método de árboles de decisión se basa en encontrar, de manera iterativa, el atributo
que mejor separe los ejemplos de cada clase. Para esto utiliza criterios como la ganancia
deinformación.
l

Φ( D, t ) = I (t ) − ∑ I (ti ) pi
i =1

a) Se pide desarrollar parte de la primera iteración asociada a encontrar el atributo que
mejor separe los ejemplos de cada clase. Específicamente se pide desarrollar lo
relacionado a evaluar sólo el atributo “Y”, (no es necesario realizar cálculos, sólo
expresar las ecuaciones que permitirían hacer esto). Para esto utilice el criterio de
ganancia deinformación basado en la medida de impureza de entropía.
Entropía:

− ∑ pi × log 2 ( pi )

Explicar además el criterio para seleccionar el mejor atributo, suponiendo que se
obtuvieron todas las medidas de ganancia de información para cada uno de los 4
atributos del problema. ( 10 pts)
b) Suponiendo que el mejor atributo seleccionado en la primera iteración es el atributo
“Z”, se pide expresargráficamente como sería el árbol de clasificación generado
después de la primera iteración. (5 pts)
c) Se pide expresar gráficamente la segunda, tercera y cuarta iteración para la
generación del árbol de decisión asociado a este problema. Suponga que los atributos
“Y”, “X” y “W” son seleccionados en este orden para esto. (Ayuda: usted puede
iniciar cada nueva iteración desde cualquier nodo que elija,...