tecniche di classificazione e predizione delle ... - DSpace@Roma3
tecniche di classificazione e predizione delle ... - DSpace@Roma3
tecniche di classificazione e predizione delle ... - DSpace@Roma3
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Tecniche <strong>di</strong> <strong>classificazione</strong> e pre<strong>di</strong>zione <strong>delle</strong> attività motorie per telemonitoraggio e<br />
teleriabilitazione<br />
interpretazione. Esistono perciò dei criteri <strong>di</strong> controllo che limitano la crescita degli<br />
alberi, basati o sul massimo numero <strong>di</strong> regole applicabili alla <strong>classificazione</strong> o sulla<br />
massima “profon<strong>di</strong>tà” raggiungibile dall’albero o ancora sul numero minimo <strong>di</strong><br />
records che devono essere presenti in ogni nodo per poter effettuare la <strong>di</strong>visione<br />
(splitting) in quel nodo.<br />
Classe 1<br />
Classe 1<br />
Figura 12: Albero <strong>di</strong> decisione creato con i dati <strong>di</strong> training a <strong>di</strong>sposizione<br />
Esaminiamo ora alcuni concetti con i quali è possibile quantificare la accuratezza <strong>di</strong><br />
un albero <strong>di</strong> decisione, ovvero le sua capacità <strong>di</strong> classificare.<br />
Se in<strong>di</strong>chiamo con ni’ il numero totale <strong>di</strong> records del training set che terminano nella<br />
foglia i e con ni il numero <strong>di</strong> record classificati correttamente in i, è possibile<br />
associare ad ogni foglia i un errore εi dato dalla frazione <strong>di</strong> records classificati<br />
correttamente nel training set:<br />
Var3>Z<br />
Var1