Professional Documents
Culture Documents
Pablo Orme
no A.
Universidad T
ecnica Federico Santa Mara
pormen@alumnos.inf.utfsm.cl
Junio 2015
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
1 / 28
Propuesta
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
2 / 28
Propuesta
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
3 / 28
Introduccion
Ensamblados
Ensamblados Paralelos
Evaluacion y Resultados
Conclusiones
Propuesta
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
4 / 28
Introduccion
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
5 / 28
Introduccion
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
6 / 28
Introduccion
Ensamblados
Ensamblados Paralelos
Evaluacion y Resultados
Conclusiones
Propuesta
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
7 / 28
Bagging
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
8 / 28
Algoritmo Bagging
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
9 / 28
Adaboost
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
10 / 28
Algoritmo Adaboost
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
11 / 28
Introduccion
Ensamblados
Ensamblados Paralelos
Evaluacion y Resultados
Conclusiones
Propuesta
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
12 / 28
Parallel Bagging
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
13 / 28
Parallel Bagging
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
14 / 28
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
15 / 28
Parallel Adaboost
Suponer P procesadores. El conjunto completo de datos se divide en
P subconjuntos y cada subconjunto se asigna a un procesador como
conjunto de entrenamiento local a cada procesador. Una distribucion
de este conjunto de entrenamiento local se mantiene en cada
procesador.
Esta distribuci
on representa la selecci
on de probabilidad de cada
instancia desde el conjunto de entrenamiento local. La probabilidad
de cada ejemplo se inicializa en n1 , donde n es el n
umero de ejemplos
del conjunto de datos de entrenamiento.
El subconjunto selecciona basado en la probabilidad de que cada
instancia en cada procesador para formar la muestra.
El mismo algoritmo de data mining se aplica a cada una de las
muestras locales y se genera un predictor.
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
16 / 28
Parallel Adaboost
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
17 / 28
Parallel Adaboost
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
18 / 28
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
19 / 28
Introduccion
Ensamblados
Ensamblados Paralelos
Evaluacion y Resultados
Conclusiones
Propuesta
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
20 / 28
Accuracy de Clasificaci
on: habilidad de predecir correctamente las
etiquetas nuevas.
Tiempo de Ejecuci
on: tiempo comprendido entre el comienzo y el
final en la ejecucion de un programa.
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
21 / 28
Parallel Ensemble
Junio 2015
22 / 28
Parallel Ensemble
Junio 2015
23 / 28
Introduccion
Ensamblados
Ensamblados Paralelos
Evaluacion y Resultados
Conclusiones
Propuesta
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
24 / 28
Conclusiones
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
25 / 28
Introduccion
Ensamblados
Ensamblados Paralelos
Evaluacion y Resultados
Conclusiones
Propuesta
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
26 / 28
Propuesta
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
27 / 28
Propuesta
Pablo Orme
no A. (UTFSM)
Parallel Ensemble
Junio 2015
28 / 28