Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Copia de presentacion

No description
by

Marianela Labat

on 5 August 2016

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Copia de presentacion

Objetivo General
Elección de una casa para la compra
Caso de Aplicación:
Redes Neuronales Artificiales
Aprendizaje Automático
Maquina de Vectores de Soporte (SVM)
"Análisis comparativo de técnicas de IA para corregir la inconsistencia en la matriz del Proceso Analítico Jerárquico"
Alumnos:
Labat, Marianela Daianna
Rodríguez, Federico Matías

Director:

Ing. Favret, Fabian

Ingeniería en Informática
Año 2015
Caso tomado del paper:
"Como tomar una decisión: El Proceso Analítico Jerárquico" de Thomas L. Saaty

BPN: Conjuntos de Datos
Objetivos Específicos
• Estudiar las técnicas de aprendizaje automático aplicadas a la técnica de decisión multicriterio AHP;
• Integrar tanto BPN como SVM con el Proceso Analítico Jerárquico;
• Corregir la inconsistencia de las matrices usadas en el proceso decisorio de AHP;
• Evaluar cada técnica en función de las iteraciones, del tiempo de procesamiento, del error general y del porcentaje de aciertos.

TEST
ENTRENAMIENTO
VALIDACION
700 Matrices
300 Matrices
AHORA VA EL VIDEO SVM
Proceso Analítico Jerárquico (AHP)
El Proceso de Normalización
Introducción:
La Toma de Decisiones
Trabajos Relacionados
Estimación de juicios faltantes en matrices de paridad AHP usando un modelo basado en redes neuronales -
Dr. Karanik Marcelo et al.
El Proceso Analítico Jerárquico
(AHP)
Proceso de AHP:
Escala de Saaty:
Matriz de Ponderación de Criterios
Matrices de Ponderación de Alternativas:
Matriz de Resultados:
Perceptrón creado por Rosenblatt en 1957
Algoritmo de Retropropagación a partir de 1987
Reconocimiento de Patrones
Aproximación de Funciones
Capacidad de Generalización
Reconocimiento de Patrones
Aproximación de Funciones
Aprendizaje Supervisado

Creado por Vapnik en los años 90.
Método de Generalización.
Adaptabilidad y Flexibilidad.
Velocidad.
Métodos de Kernel.
Separación óptima.
Análisis e Interpretación de los Resultados:
Análisis Comparativo en Relación al Entrenamiento
CR Consistente Promedio
Análisis Comparativo en Relación al Caso de Aplicación
GRAFICO DE ELEMENTO 1
Análisis de Sensibilidad:
Conclusión
Trabajos Futuros
Análisis estadístico, para evaluar la precisión de las herramientas en el campo de aplicación con los expertos.
Análisis sobre el impacto final realizando correcciones en la totalidad de las matrices del proceso.
Análisis de sensibilidad sobre todos los elementos de las matrices de orden superior, como la de orden 8 mostrada aquí.
Incertidumbre
Evaluar BPN y SVM en la corrección de la inconsistencia en matrices de comparativas de paridad del proceso analítico jeráquico
Ratio de Consistencia (CR)
Es importante
medir
la consistencia
El CR se utiliza para determinar la
consistencia
de una matriz
CR < 0.1
indica consistencia
CR >= 0.1
indica inconsistencia
El CR se calcula sobre una matriz de comparativas de paridad completa
Creado por Thomas L. Saaty en los años '70
Se investigan las alternativas disponibles
Se tiene en cuenta múltiples criterios antes de tomar la decisión
Se construye una jerarquía o estructura de red para realizar las comparaciones
AHP
ALTERNATIVAS
CRITERIOS
CR = 0,169
Rama dentro de la
Inteligencia Artificial
Denominado en inglés
Machine Learning
Utiliza métodos de
generalización
Matriz AHP inconsistente =
Patrón
a reconocer
Se utiliza
Aprendizaje Supervisado
Parámetros de Entrenamiento
Factor de Aprendizaje
(alfa): 0,0001
Momento
: 0,001
Umbral del Error
: 0,01
Métodos de Kernel
Se utilizan para elevar el espacio de entradas a un espacio de mayor dimensionalidad.
Kernel utilizado: Función de Base Radial Gaussiana (RBF).
Regresión con SVM
Parámetro Épsilon: Afecta la complejidad del modelo y su capacidad de generalización.
Parámetro C: Constante que determina el umbral de aceptación de errores, la flexibilidad del margen.
Parámetro Gamma: Controla forma que tendrán los hiperplanos que realizan la separación de las clases.
La integración de ambas herramientas fue exitosa
SVM demostró
Tener mayor precisión
Lograr un entrenamiento mas rápido
Realizar menos iteraciones en el entrenamiento
Adaptarse velozmente a nuevos escenarios
Comparación de las correcciones en la matriz
de comparativas de paridad de criterios del caso de aplicación
Precisión en las Pruebas
Influencia en la matriz de resultados final
Las decisiones suelen ser
particularmente subjetivas
Trabajos Relacionados
Perceptron multi-capa con retropropagación para matrices de paridad incompletas en el proceso analítico jerárquico.
Estimación de juicios faltantes en matrices de paridad AHP usando un modelo basado en redes neuronales.
Aplicación de algoritmos genéticos a la corrección de matrices inconsistentes en el proceso analítico jerarquico(AHP).
El Proceso Decisorio
incluye:
Trabajos Relacionados
Perceptron multi-capa con retropropagación para matrices de paridad incompletas en el proceso analítico jerárquico.
Estimación de juicios faltantes en matrices de paridad AHP usando un modelo basado en redes neuronales.
Aplicación de algoritmos genéticos a la corrección de matrices inconsistentes en el proceso analítico jerarquico(AHP).
Decisiones de multiples expertos
Varias alternativas
Multiples criterios a tener en cuenta
Cada experto decide de manera diferente
La decisión es subjetiva y se basa en la experiencia
Una mala decisión puede llevar al fracaso
Perceptron multi-capa con retropropagación para matrices de paridad incompletas en el proceso analítico jerárquico -
Yi-Chung Hu et al.
Aplicación de algoritmos genéticos a la corrección de matrices inconsistentes en el proceso analítico jerarquico(AHP) -
Dr. Karanik Marcelo et al.
Matriz de comparaciones de a pares donde el experto pondera cada criterio usando la Escala de Saaty
Matriz que contiene los resultados calculados en base a las matrices anteriores. El Vector de Prioridades final mostrará el ranking de las alternativas, la que tenga mayor puntaje es la sugerida.
TEST
ENTRENAMIENTO
VALIDACION
700 Matrices
300 Matrices
ENTRADAS
Matrices Inconsistentes
SALIDAS DESEADAS
Matrices Consistentes
SVM: Conjuntos de Datos
TEST
ENTRENAMIENTO
VALIDACION
700 Matrices
300 Matrices
Parámetros de Entrenamiento
Épsilon:
0.0010
Constante C
: Entre 1 y 100 (rango utilizado por el algoritmo)
Gamma
: Entre 1 y 100 (rango utilizado por el algoritmo)
Umbral del Error
: 0,01
TEST
ENTRENAMIENTO
VALIDACION
700 Matrices
300 Matrices
ENTRADAS
Matrices Inconsistentes
SALIDAS DESEADAS
Matrices Consistentes
Reducción de un 66,11%
Reducción de un 61,8%
Modelo Propuesto de BPN
Casa sugerida: "A" (43,15%)
Casa sugerida: "B" (35,77%)
El presente trabajo de investigación ha sido aprobado y publicado en el
XV Workshop de Agentes y Sistemas Inteligentes
(WASI) del
XX Congreso Argentino de Ciencias de la Computación
del 20 al 24 de Octubre de 2014
Full transcript