Inteligencia Articial II (Curso 2012-2013)

Ejercicios propuestos del tema 2

Ejercicio 1:
Unos bilogos que exploraban la selva del Amazonas han descubierto una nueva
o
especie de insectos, que bautizaron con el nombre de lepistos. Desgraciadamente,
han desaparecido y la unica informacin que disponemos del nuevo insecto viene

o
dada por el siguiente conjunto de ejemplos encontrados en un cuaderno de notas,
en los que se clasican una serie de muestras de individuos en funcin de ciertos
o

parmetros como su color, el tener alas, su tamano y su velocidad:

a
Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10

Color
negro
amarillo
amarillo
blanco
negro
rojo
rojo
negro
negro
amarillo

Alas
si
no
no
si
no
si
si
no
si
si

Tamano
peque~o
n
grande
grande
medio
medio
peque~o
n
peque~o
n
medio
peque~o
n
grande

Velocidad
alta
media
baja
alta
alta
alta
baja
media
media
media

Lepisto
si
no
no
si
no
si
no
no
no
no

Contestar a las siguientes cuestiones:

Cul es la entrop del conjunto de ejemplos, respecto a la clasicacin de
a
a
o
los mismos que realiza el atributo Lepisto?
Qu atributo proporciona mayor ganancia de informacin?
e
o
Aplicar (detallando cada uno de los pasos realizados) el algoritmo ID3 para
encontrar, a partir de este conjunto de entrenamiento, un rbol que nos pera
mita decidir si un determinado individuo es un lepisto o no.
Obtener un conjunto de reglas a partir del rbol obtenido en el apartado
a
anterior.
Segn el concepto aprendido, hay algn atributo que sea irrelevante para
u
u
decidir si un individuo es un lepisto?

Ejercicio 2:
Una entidad bancaria concede un prstamo a un cliente en funcin de una serie
e
o
de parmetros: su edad (puede ser joven, mediano o mayor), sus ingresos (altos,
a
medios o bajos), un informe sobre su actividad nanciera (que puede ser positivo

o negativo) y, nalmente, si tiene otro prestamo a su cargo o no. La siguiente

tabla presenta una serie de ejemplos en los que se especica la concesin o no del
o
prstamo en funcin de estos parmetros:
e
o
a

Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
E11
E12
E13
E14

Edad
joven
joven
mediano
mayor
mayor
mayor
mediano
joven
joven
mayor
joven
mediano
mediano
mayor

Ingresos
altos
altos
altos
medios
bajos
bajos
bajos
medios
bajos
medios
medios
medios
altos
medios

Informe
negativo
negativo
negativo
negativo
positivo
positivo
positivo
negativo
positivo
positivo
positivo
negativo
positivo
negativo

Otro prestamo
no
si
no
no
no
si
si
no
si
no
si
si
no
si

Conceder
no
no
si
si
si
no
si
no
si
si
si
si
si
no

Supongamos que modicamos el algoritmo ID3 de manera que el criterio para

obtener el mejor atributo que clasica un conjunto de ejemplos es el de menor
ganancia de informacin. En esta situacin se pide:
o
o
En caso de ausencia de ruido, obtendr el algoritmo modicado un rbol de
a
a
decisin consistente con los ejemplos del conjunto de entrenamiento?, justica
o
la respuesta.
Qu sesgo tendr el algoritmo modicado?, justica la respuesta.
e
a
Aplicar (detallando cada uno de los pasos realizados) el algoritmo modicado
para encontrar, a partir de este conjunto de entrenamiento, un rbol que nos
a
permita decidir sobre la concesin de prstamos.
o
e

Ejercicio 3:
Aplicar el algoritmo ID3 para construir un rbol de decisin consistente con
a
o
los siguientes ejemplos, que nos ayude a decidir si comprar o no un CD nuevo.
Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10

Cantante
Queen
Mozart
Anastacia
Queen
Anastacia
Queen
Wagner
Anastacia
Queen
Mozart

Discografica
Emi
Emi
Corazn
o
Sony
Corazn
o
Sony
Sony
Corazn
o
Emi
Sony

Genero
rock
clsico
a
soul
rock
soul
rock
clsico
a
soul
rock
clsico
a

Precio
30
40
20
20
30
30
30
30
40
40

Tienda
Mixup
Virgin
Virgin
Virgin
Mixup
Virgin
Mixup
Virgin
Virgin
Mixup

Comprar
si
no
si
si
si
si
no
no
no
si

Considerar los siguientes ejemplos como conjunto de prueba y obtener la medida

de rendimiento del rbol obtenido.
a
Ejemplo
E11
E12
E13
E14
E15
E16

Cantante
Queen
Anastacia
Queen
Anastacia
Queen
Mozart

Discografica
Emi
Corazn
o
Sony
Corazn
o
Sony
Sony
2

Genero
rock
soul
rock
soul
rock
clsico
a

Precio
30
20
20
30
40
40

Tienda
Virgin
Virgin
Virgin
Virgin
Virgin
Mixup

Comprar
si
no
no
no
no
si

Ejercicio 4:
La siguiente tabla muestra ejemplos de plantas, indicando si sobrevivieron ms
a

de un ao o no despus de ser compradas, en funcin de su tamano (grande, medio

n
e
o
o peque~o), de su ambiente adecuado (interior o exterior), de si tienen flores
n

y de la estacion en la que se compr.

o
Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16

Tamano
grande
grande
grande
grande
grande
grande
medio
medio
medio
medio
medio
peque~o
n
peque~o
n
peque~o
n
peque~o
n
peque~o
n

Flores
si
si
si
si
no
no
si
si
no
no
no
si
si
no
no
no

Ambiente
interior
interior
exterior
exterior
interior
exterior
interior
interior
interior
exterior
exterior
interior
exterior
interior
interior
exterior

Estacion
verano
verano
primavera
invierno
oto~o
n
primavera
verano
verano
primavera
oto~o
n
verano
invierno
verano
primavera
verano
oto~o
n

Sobrevive
no
no
no
no
no
no
si
si
si
no
no
no
si
no
si
no

1. Vamos a utilizar el algoritmo de cobertura para encontrar reglas que nos

permitan deducir que cierta planta s sobrevive ms de un ao. Detallar los

a
n
primeros pasos de dicho algoritmo, slo hasta el momento en que el algoritmo
o
a
encuentra la segunda regla. El algoritmo parar en ese momento, o continuar (responder explicando el motivo)
a?
2. Aplicar (detallando cada uno de los pasos realizados) el algoritmo ID3 para
encontrar un rbol de decisin consistente con el conjunto de entrenamiento
a
o
{E1 , . . . , E16 } que permita decidir si una planta sobrevivir ms de un ao o
a a
n
no despus de ser comprada. Suponer que se elige para el nodo ra el atributo
e
z

tamano, y continuar la ejecucin del algoritmo a partir de ah

o
.
3. Consideremos la siguiente tabla de ejemplos como conjunto de prueba
Ejemplo
E17
E18
E19
E20
E21
E22
E23
E24

Tamano
grande
medio
medio
medio
peque~o
n
peque~o
n
peque~o
n
peque~o
n

Flores
no
no
no
si
si
si
no
no

Ambiente
exterior
interior
exterior
exterior
interior
interior
interior
exterior

Estacion
verano
oto~o
n
primavera
verano
verano
invierno
verano
oto~o
n

Sobrevive
no
si
no
no
no
no
no
no

(a) Calcular el rendimiento del rbol de decisin obtenido en el apartado

a
o
anterior.
(b) Aplicar un proceso de poda sobre dicho rbol.
a

Ejercicio 5:
Una empresa de material deportivo quiere hacer un estudio de mercado para
encontrar las caracter
sticas principales de sus potenciales clientes. En una primera
fase, las caracter
sticas a estudiar son las siguientes: la edad (joven o adulto), ser
deportista profesional, el nivel de ingresos (altos, medios o bajos) y el sexo.
Para ello, se realiza un cuestionario a 21 personas, obteniendo los resultados que se
reejan en la siguiente tabla:
Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16
E17
E18
E19
E20
E21

Edad
joven
joven
joven
joven
joven
adulto
adulto
adulto
adulto
adulto
adulto
adulto
adulto
joven
joven
adulto
adulto
joven
joven
adulto
joven

Profesional
si
si
no
si
no
si
no
si
no
si
no
si
no
si
si
no
no
no
no
si
si

Ingresos
bajos
altos
altos
bajos
medios
altos
altos
altos
medios
bajos
medios
medios
altos
altos
medios
medios
bajos
medios
bajos
medios
medios

Sexo
hombre
hombre
mujer
mujer
mujer
hombre
mujer
mujer
mujer
mujer
mujer
hombre
hombre
mujer
hombre
hombre
hombre
hombre
mujer
mujer
mujer

Interesado
si
si
no
si
no
no
no
no
no
no
no
no
si
si
si
no
no
no
no
no
si

Se pide:
Aplicar el algoritmo ID3 (desarrollndolo paso a paso) para obtener un rbol
a
a
de decision que sirva para decidir si un cliente potencial est interesado o no
a
en el producto que ofrece la empresa. Tomar como conjunto de entrenamiento
los primeros 15 ejemplos de la tabla.
Tomando ahora como conjunto de prueba los ejemplos del 16 al 21 de la tabla,
calcular el rendimiento del rbol de decisin obtenido en el apartado anterior.
a
o
Usando ese conjunto de prueba, aplicar un proceso de podado a posteriori
sobre el rbol de decisin. Expresar mediante reglas el rbol obtenido tras
a
o
a
la poda Qu rendimiento tiene este rbol sobre el conjunto de prueba? Y
e
a
sobre el conjunto de entrenamiento?

Ejercicio 6:
Se han encontrado una gran cantidad de obras de arte realizadas por dos artistas
A y B, pero slo para un pequeo nmero de obras se ha podido asegurar cul de
o
n u
a
los dos es el autor.
La siguiente tabla muestra los datos de dichas obras, indicando el autor en
funcin del tipo de obra (grabado, leo o acuarela), del lugar donde se encontr
o
o
o
la obra (Espa~a, Portugal o Francia), de su estilo (clsico o moderno), y de si
n
a
tienen marco o no.

Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16

Tipo
grabado
grabado
grabado
grabado
grabado
grabado
o
leo
o
leo
o
leo
o
leo
o
leo
acuarela
acuarela
acuarela
acuarela
acuarela

Lugar
Espa~a
n
Espa~a
n
Portugal
Francia
Francia
Francia
Espa~a
n
Espa~a
n
Francia
Portugal
Espa~a
n
Francia
Espa~a
n
Francia
Espa~a
n
Portugal

Estilo
clsico
a
moderno
moderno
clsico
a
moderno
moderno
clsico
a
clsico
a
moderno
moderno
moderno
clsico
a
clsico
a
moderno
moderno
moderno

Marco
no
no
no
si
no
si
si
no
no
si
si
no
si
no
no
si

Autor
B
B
B
B
B
B
A
A
A
B
B
B
A
B
A
B

1. Aplicar (detallando cada uno de los pasos realizados) el algoritmo ID3 para
encontrar un rbol de decisin consistente con el conjunto de entrenamiento
a
o
{E1 , . . . , E16 } que permita decidir si una obra de arte fue realizada por A o
por B.
2. Consideremos la siguiente tabla de ejemplos como conjunto de prueba
Ejemplo
E17
E18
E19
E20
E21
E22
E23
E24

Tipo
grabado
o
leo
o
leo
o
leo
acuarela
acuarela
acuarela
acuarela

Lugar
Espa~a
n
Portugal
Francia
Espa~a
n
Espa~a
n
Francia
Espa~a
n
Portugal

Estilo
moderno
moderno
moderno
moderno
clsico
a
clsico
a
moderno
clsico
a

Marco
si
no
si
no
no
si
si
si

Autor
A
A
B
A
A
B
A
B

(a) Calcular el rendimiento del rbol de decisin obtenido en el apartado

a
o
anterior.
(b) Aplicar (detallando los pasos realizados) un proceso de poda sobre dicho
a
rbol.
Ejercicio 7:
Una empresa suministra a un cliente informacin sobre novelas, las cuales a
o
veces compra y a veces no. Supongamos que hemos dividido un conjunto de 100
ejemplos en dos subconjuntos. El primero, con 90 ejemplos, lo hemos usado para
crear un rbol de decisin y el segundo, con 10 ejemplos, es el que aparece en la
a
o
siguiente tabla, donde se muestran ofertas de la empresa y si el cliente compr o
o
no. Las ofertas dependen de los atributos Idioma, Gnero, Precio y Edicin.
e
o

Ej.
1
2
3
4
5
6
7
8
9
10

Idioma
Espaol
n
Francs
e
Ingls
e
Francs
e
Francs
e
Espaol
n
Francs
e
Ingls
e
Espaol
n
Francs
e

Genero
Aventuras
Polic
aco
Aventuras
Histrico
o
Aventuras
Aventuras
Histrico
o
Polic
aco
Aventuras
Aventuras

Precio
Alto
Alto
Medio
Bajo
Alto
Bajo
Bajo
Medio
Bajo
Bajo

Edicion
Tapa dura
Tapa blanda
Tapa blanda
Tapa blanda
Tapa blanda
Tapa blanda
Tapa blanda
Tapa blanda
Tapa dura
Tapa blanda

Compra
S

No
S

No
No
S

No
No
No

Supongamos que el rbol obtenido tras aplicar el algoritmo ID3 utilizando el

a
conjunto de 90 ejemplos es el siguiente:
Idioma
Espanol

Ingles
Frances
SI 15

Precio

Edicion

Alto

Medio

T. Blanda

T. Dura

Bajo
Genero

NO 4

SI

12

NO 9

SI

SI

T. Dura

T. Blanda
SI

NO 8

Edicion

16

NO 17

Junto a la clasicacin de cada hoja aparece el nmero de elementos del conjunto

o
u
D que verica la condicin, esto es, hay 4 ejemplos con el Idioma Francs y Precio
o
e
Bajo, todos ellos con la clasicacin No y hay 2 ejemplos con Idioma Espaol y
o
n
Edicin en Tapa Dura, ambos con la clasicacin S. Se pide usar el Algoritmo
o
o
de poda para reducir el error sobre el rbol usando como conjunto de prueba
a
el mostrado en la tabla anterior.
Ejercicio 8:
La siguiente tabla muestra informacin sobre setas, indicando si son comestibles
o

o no en funcin de algunas caracter

o
sticas: el color, el tamano del pie, la forma
del sombrero, el entorno en el que se presenta y la forma en que se agrupa con
otras setas:
Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10

Color
rojo
blanco
rojo
blanco
marrn
o
rojo
marrn
o
marrn
o
blanco
rojo

Tamano
mediano
grande
peque~o
n
peque~o
n
grande
grande
mediano
mediano
mediano
peque~o
n

Forma
plana
plana
plana
cncava
o
convexa
cncava
o
convexa
plana
convexa
convexa
6

Entorno
pinar
pinar
pradera
cueva
pinar
cueva
pradera
pinar
pinar
cueva

Agrupacion
aislada
racimo
racimo
grupo
grupo
grupo
aislada
racimo
aislada
grupo

Comestible
si
si
si
si
si
no
no
no
no
no

Se pide:
Aplicar (detallando cada uno de los pasos realizados) el algoritmo de cobertura para encontrar, a partir de este conjunto de entrenamiento, un conjunto
de reglas que nos permita clasicar nuevas instancias. Obtener las reglas para
clasicar tanto instancias positivas como negativas. Segn lo aprendido hay
u
algn atributo irrelevante para realizar esta clasicacin?
u
o
Clasicar las siguientes instancias utilizando el conjunto de reglas aprendido:

I1
I2
I3
I4

Color
blanco
rojo
marrn
o
rojo

Tamano
peque~o
n
mediano
mediano
mediano

Forma
cncava
o
plana
plana
cncava
o

Entorno
pradera
cueva
pinar
pinar

Agrupacion
racimo
aislada
racimo
grupo

Ejercicio 9:
La siguiente tabla muestra ejemplos de situaciones en las que comprar o no un
ordenador, en funcin de su precio (alto, medio o bajo), su procesador (AMD o
o
Intel), si tiene tarjeta ethernet y si el monitor es TFT (se supone que el resto
de caracter
sticas es comn).
u
Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16

Precio
alto
alto
alto
alto
alto
alto
medio
medio
medio
medio
medio
bajo
bajo
bajo
bajo
bajo

Ethernet
si
si
si
si
no
no
si
si
no
no
no
si
si
no
no
no

Procesador
AMD
AMD
Intel
Intel
AMD
Intel
AMD
AMD
AMD
Intel
Intel
AMD
Intel
AMD
AMD
Intel

TFT
si
no
si
no
no
no
si
no
si
si
no
si
no
si
no
si

Comprar
no
no
no
no
no
no
si
si
si
no
no
no
si
no
si
no

Aplicar (detallando cada uno de los pasos realizados) el algoritmo de cobertura para encontrar, a partir de este conjunto de entrenamiento, un conjunto de
reglas permita decidir sobre la compra de un ordenador, tanto armativa como negativamente. Segn las reglas aprendidas deber
u
amos comprar un ordenador con
monitor TFT si el precio es bajo? hay algn atributo irrelevante?
u
Ejercicio 10:
La siguiente tabla muestra una serie de datos acerca de ejemplos de personas
que han sufrido quemaduras solares, junto con los datos acerca de su color de pelo,

su altura, su peso y si usaban proteccion o no.

Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8

Pelo
rubio
rubio
moreno
rubio
rojo
moreno
moreno
rubio

Altura
medio
alto
bajo
bajo
medio
alto
medio
bajo

Peso
bajo
medio
medio
medio
alto
alto
alto
bajo

Proteccion
no
si
si
no
no
no
no
si

Quemadura
si
no
no
si
si
no
no
no

Aplicar (detallando cada uno de los pasos realizados) el algoritmo de cobertura para encontrar, a partir de este conjunto de entrenamiento, un conjunto de
reglas que nos permita decidir situaciones en las que se producir quemadura soa
lar. Segn lo aprendido hay algn atributo irrelevante para decidir si se producir
u
u
a
quemadura solar?
Ejercicio 11:
La siguiente tabla muestra informacin sobre si un alumno aprueba o no la
o
asignatura de IA2, en funcin de su nota en la asignatura de Lgica Informtica
o
o
a
(LI), si tiene internet en casa, si usa la bibliograf recomendada y de su
a

aficion preferida:
Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
E11
E12
E13
E14

LI
sobresaliente
aprobado
aprobado
sobresaliente
notable
aprobado
notable
sobresaliente
sobresaliente
notable
notable
aprobado
notable
aprobado

Internet
si
si
si
no
si
si
no
no
si
si
no
no
si
no

Bibliograf
a
no
no
si
si
si
si
si
no
si
no
no
si
no
no

Aficion
cine
msica
u
deporte
deporte
deporte
msica
u
msica
u
msica
u
cine
cine
cine
deporte
msica
u
msica
u

IA2
si
si
si
si
si
si
si
si
si
no
no
no
no
no

Aplicar (detallando cada uno de los pasos realizados) el algoritmo de cobertura para encontrar, a partir de este conjunto de entrenamiento, un conjunto de
reglas que nos permita decidir si un determinado alumno va a aprobar la asignatura
IA2 o no.
Ejercicio 12:
Una asociacin juvenil de geolog propone a sus miembros una excursin a
o
a
o
Sierra Mgina (Jan) para buscar restos de meteoritos. Para distinguirlos de las
a
e
dems piedras se tienen en cuenta diferentes factores entre los que se encuentran
a
los siguientes: la presencia de corteza de fusin (el color de su supercie), la
o
densidad, el magnetismo y la apariencia interior (metlica, cristalina o
a
ptrea). Una vez recogidas las muestras, el Museo de Geolog de Sevilla determina
e
a
cules son restos de meteoritos y cules no. Los datos se recogen en la siguiente
a
a
tabla:

Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10

Color
negro
blanco
blanco
gris
negro
marrn
o
marrn
o
negro
negro
blanco

Densidad
alta
baja
baja
alta
baja
alta
alta
baja
alta
alta

Magnetismo
alto
bajo
bajo
medio
medio
alto
alto
medio
alto
bajo

Interior
metlico
a
ptreo
e
cristal
metlico
a
metlico
a
metlico
a
cristal
ptreo
e
ptreo
e
ptreo
e

Meteorito
si
no
no
si
no
si
no
no
no
no

Se pide:
Aplicar el algoritmo de cobertura para obtener un conjunto de reglas que
ayuden a decidir si una muestra es un resto de meteorito o no.
Aplicar el algoritmo ID3 para obtener un rbol de decisin que igualmente
a
o
nos ayude a decidir si una muestra es un resto de meteorito o no.
A la vista de los resultados, existe algn atributo que sea irrelevante a la
u
hora de tomar la decisin?
o
Extraer un conjunto de reglas a partir del rbol construido por el algoritmo
a
ID3 es el mismo conjunto de reglas que el obtenido en el primer apartado?

Ejercicio 13:
El departamento de Biolog Marina quiere analizar las caracter
a
sticas que hacen
que los peces de tamao inferior a 20 cm sobrevivan en cautividad. Para ello han
n
recogido datos de 20 muestras en las que se indica la adaptacin a la cautividad en
o

funcin del tamano (peque~o, mediano o grande), la temperatura del habitat

o
n
natural (fra, templada o clida), la salinidad del habitat natural (agua dulce

a
o salada) y la sociabilidad de la especie (solitario, pareja o grupo)
Ejemplo
E1
E2
E3
E4
E5
E6
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16
E17
E18
E19
E20

tamano
peque~o
n
peque~o
n
peque~o
n
peque~o
n
peque~o
n
peque~o
n
mediano
mediano
mediano
mediano
mediano
mediano
mediano
grande
grande
grande
grande
grande
grande
grande

temperatura
fra

fra

fra

templada
templada
clida
a
fra

fra

templada
templada
clida
a
clida
a
clida
a
fra

fra

templada
templada
templada
clida
a
clida
a

salinidad
dulce
salada
dulce
salada
dulce
salada
dulce
salada
dulce
salada
dulce
salada
dulce
salada
dulce
salada
dulce
salada
dulce
salada
9

sociabilidad
solitario
pareja
grupo
solitario
grupo
grupo
solitario
pareja
grupo
solitario
solitario
grupo
solitario
pareja
grupo
solitario
grupo
grupo
solitario
pareja

cautividad
no
si
no
si
no
si
si
si
no
no
si
no
no
si
si
no
si
si
no
no

1. Al aplicar el algoritmo de aprendizaje inductivo ID3, cal es el nodo elegido

u
como ra del rbol de aprendizaje?
z
a
2. A partir del nodo ra elegido en el apartado anterior, desarrolla todo el
z
subrbol correspondiente al nodo hijo de mayor entrop
a
a.
3. Argumenta razonadamente a favor o en contra de la siguiente armacin: A
o
mayor entrop mayor es la profundidad del rbol de decisin
a
a
o
4. Aplicar el algoritmo de cobertura para encontrar reglas con el menor
nmero de condiciones posible, que nos permitan deducir si una especie sou
brevive en cautividad a partir de sus caracter
sticas. Detallar los pasos de
dicho algoritmo hasta el momento en que se completa la primera regla. En
este punto, por qu es necesario seguir aplicando el algoritmo de cobertura?
e
Ejercicio 14:
Aplicar (detallando cada uno de los pasos realizados) el algoritmo restringido
de FOIL (esto es, no aceptamos el predicado de igualdad ni literales negados en el
cuerpo de las clusulas) para aprender el predicado p(A) a partir de los siguientes
a
datos:
Ejemplos positivos: p(1) p(3) p(5) p(6)
Ejemplos negativos: p(2) p(4) p(7) p(8)
Conocimiento base: r(8) r(9) q(1,8) q(3,9) q(5,8) q(6,9) q(2,4) q(7,7)
Ejercicio 15:
Considrese el siguiente problema de programacin lgica inductiva, en el que
e
o o
se quiere aprender la denicin de un predicado binario r. El lenguaje que hemos
o
de usar para nuestra denicin consta de un predicado binario p y de constantes
o
0,1,2,3,4,5,6 y 7. Lo que sigue son los ejemplos que tenemos sobre r y el
conocimiento base:
Ejemplos positivos: r(1,2), r(1,3), r(5,6), r(6,7), r(0,2), r(4,5)
Ejemplos negativos: r(0,4), r(1,5), r(6,2), r(4,1), r(3,4)
Conocimiento base: p(0,1), p(0,2), p(0,3), p(4,5), p(4,6), p(4,7)
1. Si aplicamos el algoritmo FOIL, cules ser los literales candidatos para
a
an
ser la primera condicin de la primera regla que se aprenda?
o
2. Cul es la ganancia de informacin que tendr el candidato p(x,y)? Supoa
o
a
niendo que nalmente se escoja ste literal como primera condicin de la
e
o
primera regla, justicar por qu ya no habr que aadir ms condiciones a
e
a
n
a
esa regla. Justicar tambin por qu habr que seguir buscando ms reglas.
e
e
a
a
3. Suponer ahora que estamos dentro del bucle interno de FOIL con la regla
r(x,y) <- p(z,y), parcialmente construida Por qu habr que seguir aae
a
n
diendo ms condiciones? Justicar por qu la regla se completa aadiendo
a
e
n
la condicin p(z,x). Despus de completar esta segunda regla, habr que
o
e
a
seguir?
Ejercicio 16:
Considrese el siguiente problema de programacin lgica inductiva:
e
o o
Ejemplos positivos: q(a,d) q(a,c) q(c,b) q(b,d) q(d,b)
Ejemplos negativos: q(a,b) q(c,d) q(d,d)
Conocimiento base: h(a) h(b) m(c) m(d) r(a,b) r(c,d)
10

Supongamos que el algoritmo FOIL aplicado a este problema se encuentra en

el bucle interno, con la regla q(X,Y) :- h(X)., parcialmente construida. Incluir
a
esta regla en el conjunto de reglas a devolver o continuar aadiendo condiciones? Si
a n
es as cules son los posibles literales candidatos a ser aadidos y cul se elegir?
:
a
n
a
a
Una vez completada esta regla ser la unica regla que devuelva el algoritmo como
a
salida? Justicar todas las respuestas.
Ejercicio 17:
Considrese el siguiente problema de programacin lgica inductiva:
e
o o
Ejemplos positivos: p(1,3) p(3,5)
Ejemplos negativos: p(2,4) p(4,6)
Conocimiento base: q(1,2) q(2,3) q(3,4) q(4,5) q(5,6) r(1) r(3) r(4) r(5)
Supongamos que el algoritmo FOIL aplicado a este problema se encuentra en
un momento dado construyendo la siguiente regla: p(A,B):-q(A,X),q(X,B),r(A).
Devolver esta regla como una de las que forman parte del programa aprendido,
a
o continuar aadiendo literales a la condicin? En ese caso, cules son los lita n
o
a
erales candidatos y cul escoger Ser sta la unica regla que se aprender o
a
a?
a e
a,
devolver alguna ms? En ese caso qu otra(s) regla(s) devolver
a
a
e
a?
Ejercicio 18:
Supongamos que queremos aprender el concepto de casilla amenazada por una
reina en el ajedrez. Para ello queremos encontrar mediante el algoritmo FOIL un
conjunto de reglas, de la forma:
amenazada(X, Y ) : ???
que lo denan. En particular, queremos aprender este concepto a partir de los
ejemplos que nos suministra el tablero de la gura y disponemos de dos predicados
en el conocimiento base:
Reina(X, Y ), es decir Hay una reina en la casilla (X, Y ) (en este caso, sabemos que Reina(1, 2)).
Dif Ab(X, Y, Z), es decir |X Y | = Z (en este caso, sabemos restar y calcular
valor absoluto).

#
#

R
#
#
#

#
#

#
#

Se pide:
Los conjuntos E+ y E de ejemplos positivos y negativos del concepto.
Considerando ahora todo el conocimiento base, decir los casos positivos, de
entre los anteriores, que cubrir la regla:
a

amenazada(X, Y ) : Dif Ab(X, U, Z), Reina(U, V )

Completar la regla anterior, con el mejor de los tres literales que siguen:
Dif Ab(Y, U, Z), Dif Ab(Y, V, Z), Dif Ab(X, X, X)

11

Tabla de Entrop Ent(X, Y )

as

0
1
2
3
4
5
6
7
8
9

Y
0
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

1
0.000
1.000
0.918
0.811
0.722
0.650
0.592
0.544
0.503
0.469

2
0.000
0.918
1.000
0.971
0.918
0.863
0.811
0.764
0.722
0.684

3
0.000
0.811
0.971
1.000
0.985
0.954
0.918
0.881
0.845
0.811

4
0.000
0.722
0.918
0.985
1.000
0.991
0.971
0.946
0.918
0.890

12

5
0.000
0.650
0.863
0.954
0.991
1.000
0.994
0.980
0.961
0.940

6
0.000
0.592
0.811
0.918
0.971
0.994
1.000
0.996
0.985
0.971

7
0.000
0.544
0.764
0.881
0.946
0.980
0.996
1.000
0.997
0.989

8
0.000
0.503
0.722
0.845
0.918
0.961
0.985
0.997
1.000
0.998

9
0.000
0.469
0.684
0.811
0.890
0.940
0.971
0.989
0.998
1.000