Scribd Logo
Importer

Bienvenue sur Scribd !

  • 293 vues

    Exam 2 Corr

    Transféré par

    Med Aziz Landoulsi

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Exam 2 Corr

    Transféré par

    Med Aziz Landoulsi
    293 vues4 pages

    Titre original

    Exam2Corr

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    293 vues4 pages

    Exam 2 Corr

    Transféré par

    Med Aziz Landoulsi

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 4

    Examen d’IA Corrigé

    EISTI

    1 Arbre de décision
    Soit un échantillon de 200 patients se répartissant en 2 classes : M pour
    malade et B pour bonne santé. Deux attributs, gorge irritée et température,
    permettent de répartir les patients dans chacune des classes suivant le tableau
    suivant :

    Gorge irritée Gorge non irritée


    Température < 37, 5 6B,37M 91B,1M
    Température ≥ 37, 5 2B,21M 1B,41M

    1. Quel(s) arbre(s) de décision peut-on construire à partir de ces données en


    utilisant le critère du gain d’information (justifier le choix des attributs
    sans effectuer les calculs).
    Le meilleur arbre est obtenu en prenant d’abord le critère de température.
    Il ne permet cependant pas de classer les patients par manque d’informa-
    tions :
    T

    <37,5 >=37,5

    G G

    I NI I NI

    6/37 91/1 2/21 1/41


    L’arbre obtenu en prenant la classe majoritaire est le suivant :

    1
    T

    <37,5 >=37,5

    G G

    I NI I NI

    6/37 −> M 91/1−> B 2/21 −> M 1/41 −> M

    2. On ajoute le critère d’arrêt suivant à l’algorithme de construction de l’ar-


    bre : si 90% des exemples d’un noeud sont d’une même classe, alors ce
    noeud devient une feuille de cette classe.
    (a) Quel arbre obtient-on ?
    T

    <37,5 >=37,5

    G M

    I NI

    6/37 −> M B
    (b) Quel est son taux d’erreur ?

    2
    Erreur = 10/200, donc 5%, si les feuilles ne satisfaisant pas au critère
    prènent la classe majoritaire.

    2 Inférence grammaticale
    Soit R = {b, aa, aba} un ensemble de mots sur l’alphabet Σ = {a, b}. On
    veut construire une grammaire régulière qui reconnaı̂t l’ensemble des mots de
    R. Nous allons donc inférer un automate d’états finis (équivalent aux grammaires
    régulières) selon la technique de l’agregation des suffixes :
    1. Construire l’automate canonique minimal à partir de R.

    2. Construire le tableau des distances entre ensembles de suffixes.


    1 2 3 4 5 6
    b ε a ε a ε
    aa ba
    aba
    1 2 3 4 5 6
    1 0 ∞ ∞ ∞ ∞ ∞
    2 0 ∞ 0 ∞ 0
    3 0 ∞ 0 ∞
    4 0 ∞ 0
    5 0 ∞
    6 0
    3. Appliquer l’algorithme de réduction du tableau par fusion d’états.
    Par réductions successives on obtient :

    3
    Dont le langage est (b + ab∗ a) qui généralise bien la base d’apprentissage.

    Vous aimerez peut-être aussi