Giải đề thi trí tuệ nhân tạo

Nội dung của tài liệu trình bày một số bài tập như: tải dữ liệu vào bộ nhớ; hiển thị mô hình dưới dạng cây nhị phân nhị biến; duyệt cấu trúc cây nhị phân nhị biến; cài đặt hệ thống nhận dạng dưới cấu trúc cây nhị phân nhị biến. Mời các bạn cùng tham khảo tài liệu để có thêm tư liệu phục vụ quá trình ôn luyện, chuẩn bị chu đáo cho các kì thi sắp đến.
Nội dung trích xuất từ tài liệu:
Giải đề thi trí tuệ nhân tạo PHẦN I: Cài Đặc Hệ Thống Nhận Dạng Dưới Cấu Trúc Cây Nhị Phân Nhị BiếnBước 1: Tải dữ liệu vào bộ nhớ (0.5đ)load fisheririsBước 2: Đưa dữ liệu thông tin đầu vào vào 2 biến data và label, data làdữ liệu thông tin gồm chiều rộng và chiều dài con cá, còn label là dữliệu nhãn (1đ)data = meas(:,1:2);label = categorical(species);Bước 3: Đưa dữ liệu data và label vào máy học, cài đặc giải thuật CART4.5 dưới dạng cây nhị phân nhị biến để tạo ra mô hình model (1đ)model = fitctree(data, label);Hàm cài đặc giải thuật CART 4.5 (1đ)gscatter(data(:,1),data(:,2),species,rgb,osd); Là hàm máy học dànhcho sắp xếpgscatter(xx1(:),xx2(:), predictedspecies,rgb); Là hàm máy học dành chohồi quyBước 4: Khởi tạo dữ liệu ca_thu với kích thước là 23 35 (0.5đ)ca_thu = [23 35];Bước 5: Đưa dữ liệu thử ca_thu vào trong mô hình để trả ra kết quả dựđoán result (1đ)result = predict(model, ca_thu);Bước 6: Hiển thị mô hình dưới dạng cây nhị phân nhị biến (1đ)view(model, Mode,graph); Phần II: Duyệt cấu trúc cây nhị phân nhị biếnCâu 1: Giả sử mất điện bạn phải phân biệt các thu được bằng tay. Giả sửcon các mua được có kích thước 40 và 50lần lược là chiều rộng và chiều dài. Hãy duyệt bằng tay sơ đồ và ghi lạiqu trình xác nhận con các đó thuộc loại nào (1đ) Bài làmTheo đề bài ta có:x1 = 40x2 = 50Tại nút gốc ta thấy điều kiện x1 < 5.45 và x1 >= 5.45 => Ta duyệt nhánh phải của nút đang xét (vìx1 = 40)Tại nhánh đang xét ta thấy điều kiện x1 < 6.15 và x1 >= 6.15 => Ta duyệt nhánh phải của nút đangxet (vì x1 = 40)Tại nhánh đang xét ta thấy điều kiện x1 < 7.05 và x1 >= 7.05 => Ta duyệt nhánh phải của nút đangxet (vì x1 = 40)Kết quả cuối cùng là VirginicaCâu 2: Kiểm tra giống cá đó thông qua cài đặc trên máy tính sau khi hệ thống có điện trở lại(1đ)%Khởi tạo cá mua ngoài chợca_mua_ngoai_cho = [40 50];%Đưa cá mua ngoài chợ vào mô hình để trả kết quả dự đoánketqua = predict(model, ca_mua_ngoai_cho);%Hiển thị kết quảdisp(ketqua); virginicaCâu 3: B ằng cách duy ệt s ơ đồ, d ự đoán kích th ước c ủa nhóm con cá Setosa? Ghi rõ s ơ đồduy ệt c ấy để có h ệ đi ều ki ện, ghi rõ đi ều ki ện c ủa nhóm cá Setosa (1đ) Bài làmĐi ều ki ện để duy ệt được nhóm cá Setosa là: 1. x1 < 5.45 & x2 >= 2.8 => Setosa 2. x1 >= 5.45 & x1 < 6.15 & x2 >= 3.45 => SetosaCâu 4: Bằng cách duyệt sơ đồ, dự đoán kích thước của nhóm con cá Versicolor? Ghi rõ sơđồ duyệt cấy để có hệ điều kiện, ghi rõ điều kiện của nhóm cá Versicolor (1đ) Bài làmĐiều kiện để duyệt được nhóm cá Versicolor là: 1. x1 < 5.45 & x2 < 2.8 => Versicolor 2. x1 >= 5.45 & x1 < 6.15 & x2 < 3.45 & x1 < 5.75 => Versicolor 3. x1 >= 5.45 & x1 < 6.15 & x2 < 3.45 & x1 >= 5.75 & x2 < 3.1 & x2 < 2.95 => Versicolor 4. x1 >= 5.45 & x1 < 6.15 & x2 < 3.45 & x1 >= 5.75 & x2 >= 3.1 => Versicolor 5. x1 >= 5.45 & x1 >= 6.15 & x1 < 7.05 & x2 < 2.4 => Versicolor6. x1 >= 5.45 & x1 >= 6.15 & x1 < 7.05 & x2 >= 2.4 & x1 < 6.95 & x2 = 2.85 => Versicolor7. x1 >= 5.45 & x1 >= 6.15 & x1 < 7.05 & x2 >= 2.4 & x1 < 6.95 & x2 = 6.55 & x1 < 6.65 => Versicolor8. x1 >= 5.45 & x1 >= 6.15 & x1 < 7.05 & x2 >= 2.4 & x1 < 6.95 & x2 = 6.55 & x1 >= 6.65 & x2 >= 2.65 & x2 < 2.9 => Versicolor9. x1 >= 5.45 & x1 >= 6.15 & x1 < 7.05 & x2 >= 2.4 & x1 >= 6.95 => Versicolor