Programación para la Inteligencia Artificial - Lisp en la IA · Pirimidinas:TiminayCitosina Dr....

Programación para la Inteligencia ArtificialLisp en la IA

Dr. Alejandro Guerra-Hernández

Universidad VeracruzanaCentro de Investigación en Inteligencia Artificial

Sebastián Camacho 5, Xalapa, Ver., México 91000mailto:[email protected]

https://www.uv.mx/personal/aguerra/pia

Maestría en Inteligencia Artificial 2019

Dr. Alejandro Guerra-Hernández (UV) Programación para la IA MIA 2019 1 / 133

mailto:[email protected]

https://www.uv.mx/personal/aguerra/pia

Contenido

1 Bioinformática: Significancia de los Codones en el Código Genético

2 Arboles de Decisión: CL-ID3

3 Filtrado colaborativo: Rankings y Recomendaciones


Bioinformática Código Genético Universal

DNA, Codones y Nucleótidos

I El Código Genético Universal suele representarse como un mapa de 64codones a 20 aminoácidos.

I Un codón es una tripleta de nucleótidos 〈N1,N2,N3〉 dondeNi ∈ {A,C ,G ,T , }

I Los nucleótidos incluyen: Adenina (A), Citosina (C), Guanina (G),Timina (T).



Gráficamente



Código Genético Universal

I Observen que el prompt ha cambiado al paquete :bioinfo.1 BIOINFO > ( print-tensor bioinfo ::* gc-tensor *)2 ((T T T) PHE) ((T C T) SER) ((T A T) TYR) ((T G T) CYS)3 ((T T C) PHE) ((T C C) SER) ((T A C) TYR) ((T G C) CYS)4 ((T T A) LEU) ((T C A) SER) ((T A A) TER) ((T G A) TER)5 ((T T G) LEU) ((T C G) SER) ((T A G) TER) ((T G G) TRP)6 ((C T T) LEU) ((C C T) PRO) ((C A T) HIS) ((C G T) ARG)7 ((C T C) LEU) ((C C C) PRO) ((C A C) HIS) ((C G C) ARG)8 ((C T A) LEU) ((C C A) PRO) ((C A A) GLN) ((C G A) ARG)9 ((C T G) LEU) ((C C G) PRO) ((C A G) GLN) ((C G G) ARG)

10 ((A T T) ILE) ((A C T) THR) ((A A T) ASN) ((A G T) SER)11 ((A T C) ILE) ((A C C) THR) ((A A C) ASN) ((A G C) SER)12 ((A T A) ILE) ((A C A) THR) ((A A A) LYS) ((A G A) ARG)13 ((A T G) MET) ((A C G) THR) ((A A G) LYS) ((A G G) ARG)14 ((G T T) VAL) ((G C T) ALA) ((G A T) ASP) ((G G T) GLY)15 ((G T C) VAL) ((G C C) ALA) ((G A C) ASP) ((G G C) GLY)16 ((G T A) VAL) ((G C A) ALA) ((G A A) GLU) ((G G A) GLY)17 ((G T G) VAL) ((G C G) ALA) ((G A G) GLU) ((G G G) GLY)18 T


Bioinformática Significancia

Significancia

I La significancia de un nucleótido Ni , es fuertemente dependiente desu posición en el codón.

I Generalmente N2 > N1 > N3.I Con mayor probabilidad, mutaciones en N3 producirán el mismo

aminoácido, u otro con propiedades físico-químicas similares; no asíen N2.

I La significancia también está relacionada con las propiedadesfísico-químicas de las bases.



Propiedades Físico-Químicas

I Es posible representar el Código Genético como una 6-tupla de laforma 〈C1,H1,C2,H2,C3,H3〉.

I Ci representa la naturaleza química del nucleótido Ni , es decir, si esuna pirimidina (Y ) o una purina (R).

I Hi representa la fuerza del enlace de hidrógeno del nucleótido Ni y sucomplemento, es decir, enlace fuerte (S) o débil (W ).



Pirimidinas: Timina y Citosina



Purinas: Adenina y Guanina



Fuerza de los Enlaces

A=T enlace débil (doble enlace de hidrógeno)G=C enlace fuerte (triple enlace de hidrógeno)



Significancia de estas Propiedades

I M.A. Jiménez-Montaño propone el siguiente orden de significancia:C2 > H2 > C1 > H1 > C3 > H3.

I R. Swanson propone un orden alternativo: :C2 > C1 > H2 > H1 > C3 > H3.

I ¿Cual es el bueno?I Siguiendo a Mac Dónaill y Manktelow [3], Guerra-Hernández,

Mora-Basáñez y Jiménez-Montaño [2] proponen un enfoquecuantitativo para establecer tales ordenamientos.


Bioinformática Metodología

Cuantificando la Similitud

I Se propone mutar un nucleótido seleccionado ó una de suspropiedades y cuantificar el efecto de tal cambio..

I La matriz PAM250 es una métrica ampliamente usada en análisis desimilitud de secuencias genéticas.

I El elemento sij ∈ PAM250 es una cuantificación de la probabilidad deque un aminoácido i mute a j sobre un periodo evolutivo. Valores máspequeños (o negativos) reflejan disimilitud.

I Se pueden considerar otras matrices de similitud.



Significancia de la posición de los nucleótidos

1. Una posición i ∈ {1, 2, 3} es seleccionada.2. 12 mapeos son posibles: T → {C ,A,G}; C → {A,G ,T};

A→ {G ,T ,C}; G → {T ,C ,A}.3. Los mapeos se aplican a los 64 codones en la posición i , resultando en

un código genético modificado Gcode′.4. Los elementos sij de la matriz de similitud dan un valor numérico que

mide la similitud de los aminoácidos i y j .



Continuación...

5. La significancia global S de un mapeo es computada a partir de losvalores sij , sumados en los 64 codones::

S =∑

i ,j=1...64sGCodei Gcode′

j(1)

6. La significancia promedio∑

i=1...3 Si/12 se obtiene considerando los12 posibles mapeos para cada posición de los nucleótidos.



Significancia de las propiedades de los nucleótidos

1. Una i ∈ {1, 2, 3} y una propiedad del nucleótido Ci o Hi sonseleccionados.

2. Dos mapeos son posibles, dependiendo de la propiedad seleccionada:fC : {R → Y ,Y → R} o fH : {W → S,S →W }. Basicamente, estose corresponde con un cambio de bit de la propiedad seleccionada..

3. El mapeo correspondiente se aplica a los 64 codones en el CódigoGenético, resultando en un código modificado. table GCode′. Seprocede como en los pasos 4 y 5 del experimento anterior.


Bioinformática Resultados

Exp. 1: Similitud para las posiciones

I Como se esperaba N2 > N1 > N3 para todas las matricesconsideradas:

Matriz N1 N2 N3PAM250 235.91 220.08 281.08BLOSUM62 242.25 220.83 292.17Prlić 157.48 142.38 185.40Miyazawa 27.26 21.91 31.96Sánchez 87.69 90.88 73.14


Bioinformática Resultados

Exp. 2: Similitud para las propiedades físico-químicas

I Valores y ordenes obtenidos:

Matriz C1 H1 C2 H2 C3 H3PAM250 -16.00 16.00 -60.00 -32.00 122.00 276.00BLOSUM62 -2.00 1.00 -76.00 -66.00 162.00 302.00Prlić 18.14 29.34 -26.93 -30.83 111.54 189.84Miyazawa 7.06 7.02 -18.71 -13.70 21.06 30.70Sánchez 173.79 135.56 196.88 140.20 100.42 70.88

Matriz OrdenPAM250 C2 > H2 > C1 > H1 > C3 > H3BLOSUM62 C2 > H2 > C1 > H1 > C3 > H3Prlić C2 > H2 > C1 > H1 > C3 > H3Miyazawa C2 > H2 > H1 > C1 > C3 > H3Sánchez C2 > C1 > H2 > H1 > C3 > H3


Bioinformática Paquetes

Paquetes

I Definición y carga1 ( defpackage " BIOINFO "2 (: add-use-defaults t)3 (: use "CAPI"))4

5 ( in-package : bioinfo )

I Es necesario declarar el paquete y moverse dentro de él, antes decontinuar con el resto de la implementación.

I CAPI es la librería para el diseño de interfaces gráficas de LispWorks.I Un paquete puede verse como un mapeo entre cadenas de texto y

símbolos.



Nombres y paquetes

Símbolos no calificados. No contienen : en su nombre. Hacen referencia alsímbolo que denotan en el paquete actual.

Ejemplo: *gc-tensor*

Símbolos calificados. Contienen al menos un : en su nombre. Hacenreferencia al símbolo en un paquete dado. Puedenser:Símbolo externo. Explicitamente exportado por

el paquete.Ejemplo: bioinfo:*gc-tensor*

Símbolo interno. No exportado por el paquete.Ejemplo: bioinfo::*gc-tensor*



Otras funciones sobre paquetes

I La variable especial *package* contiene el paquete actual:1 CL -USER > * package *2 #<The COMMON -LISP -USER package , 23/64 internal , 0/4 external >3 CL -USER > (in - package " bioinfo ")4 #<The bioinfo package , 0/16 internal , 0/16 external >5 BIOINFO > * package *6 #<The bioinfo package , 0/16 internal , 0/16 external >

I La directiva :export exporta símbolos.I Los paquete pueden organizarse por capas , usando use-package.I Vean el capítulo 21 del libro de Seibel [7].


Bioinformática Implementación de la solución

Código Genético Universal

I Recuerden que estamos en el paquete :bioinfo

1 ( defvar * gc-tensor *2 "The genetic code tensor A ( universal genetic code)"3 ’(((t t t) phe) ((t c t) ser) ((t a t) tyr) ((t g t) cys)4 ((t t c) phe) ((t c c) ser) ((t a c) tyr) ((t g c) cys)5 ((t t a) leu) ((t c a) ser) ((t a a) ter) ((t g a) ter)6 ((t t g) leu) ((t c g) ser) ((t a g) ter) ((t g g) trp)7 ((c t t) leu) ((c c t) pro) ((c a t) his) ((c g t) arg)8 ((c t c) leu) ((c c c) pro) ((c a c) his) ((c g c) arg)9 ((c t a) leu) ((c c a) pro) ((c a a) gln) ((c g a) arg)

10 ((c t g) leu) ((c c g) pro) ((c a g) gln) ((c g g) arg)11 ((a t t) ile) ((a c t) thr) ((a a t) asn) ((a g t) ser)12 ((a t c) ile) ((a c c) thr) ((a a c) asn) ((a g c) ser)13 ((a t a) ile) ((a c a) thr) ((a a a) lys) ((a g a) arg)14 ((a t g) met) ((a c g) thr) ((a a g) lys) ((a g g) arg)15 ((g t t) val) ((g c t) ala) ((g a t) asp) ((g g t) gly)16 ((g t c) val) ((g c c) ala) ((g a c) asp) ((g g c) gly)17 ((g t a) val) ((g c a) ala) ((g a a) glu) ((g g a) gly)18 ((g t g) val) ((g c g) ala) ((g a g) glu) ((g g g) gly )))



Probanndo paquete

I Si forzamos el asunto con bioinfo::*gc-tensor* obtendremos lamatriz, pero con todos sus símbolos calificados explícitamente:1 CL -USER > bioinfo ::*gc - tensor *2 (((T T T) BIOINFO :: PHE) ((T BIOINFO ::C T) BIOINFO :: SER) ...

I Si nos movemos a :bioinfo, la matriz puede accederse como se hacenormalmente:1 CL -USER > (in - package : bioinfo )2 #<The BIOINFO package , 25/64 internal , 0/16 external >3 BIOINFO > *gc - tensor *4 (((T T T) PHE) ((T C T) SER) ...



Matriz PAM250 I

I La distancia entre el aminoácido del renglón y la columna:1 ( defvar * pam250 *2 ;;; Dayhoff PAM250 ( percent accepted mutations ) as reported3 ;;; by Mac Donaill , Molecular Simulation 30(5) p .2694 ’(( 2 -2 0 0 -2 0 0 1 -1 -1 -2 -1 -1 -4 1 1 1 -6 -3 0)5 (-2 6 0 -1 -4 1 -1 -3 2 -2 -3 3 0 -4 0 0 -1 2 -4 -2)6 ( 0 0 2 2 -4 1 1 0 2 -2 -3 1 -2 -4 -1 1 0 -4 -2 -2)7 ( 0 -1 2 4 -5 2 3 1 1 -2 -4 0 -3 -6 -1 0 0 -7 -4 -2)8 (-2 -4 -4 -5 12 -5 -5 -3 -3 -2 -6 -5 -5 -4 -3 0 -2 -8 0 -2)9 ( 0 1 1 2 -5 4 2 -1 3 -2 -2 1 -1 -5 0 -1 -1 -5 -4 -2)

10 ( 0 -1 1 3 -5 2 4 0 1 -2 -3 0 -2 -5 -1 0 0 -7 -4 -2)11 ( 1 -3 0 1 -3 -1 0 5 -2 -3 -4 -2 -3 -5 -1 1 0 -7 -5 -1)12 (-1 2 2 1 -3 3 1 -2 6 -2 -2 0 -2 -2 0 -1 -1 -3 0 -2)13 (-1 -2 -2 -2 -2 -2 -2 -3 -2 5 2 -2 2 1 -2 -1 0 -5 -1 4)14 (-2 -3 -3 -4 -6 -2 -3 -4 -2 2 6 -3 4 2 -3 -3 -2 -2 -1 2)15 (-1 3 1 0 -5 1 0 -2 0 -2 -3 5 0 -5 -1 0 0 -3 -4 -2)16 (-1 0 -2 -3 -5 -1 -2 -3 -2 2 4 0 6 0 -2 -2 -1 -4 -2 2)17 (-3 -4 -3 -6 -4 -5 -5 -5 -2 1 2 -5 0 9 -5 -3 -3 0 7 -1)18 ( 1 0 0 -1 -3 0 -1 0 0 -2 -3 -1 -2 -5 6 1 0 -6 -5 -1)19 ( 1 0 1 0 0 -1 0 1 -1 -1 -3 0 -2 -3 1 2 1 -2 -3 -1)



Matriz PAM250 II

20 ( 1 -1 0 0 -2 -1 0 0 -1 0 -2 0 -1 -3 0 1 3 -5 -3 0)21 (-6 2 -4 -7 -8 -5 -7 -7 -3 -5 -2 -3 -4 0 -6 -2 -5 17 0 -6)22 (-3 -4 -2 -4 0 -4 -4 -5 0 -1 -1 -4 -2 7 -5 -3 -3 0 10 -2)23 ( 0 -2 -2 -2 -2 -2 -2 -1 -2 4 2 -2 2 -1 -1 -1 0 -6 -2 4)24 ) " PAM250 matrix ")



Indexación de los aminoácidos I

I Regresa el índice para consultar la matriz de distancia:1 ( defun index (aa)2 ;; Get the index in a matrix3 (cond (( or ( equal aa ’A)4 ( equal aa ’ALA )) 0)5 (( or ( equal aa ’R)6 ( equal aa ’ARG )) 1)7 (( or ( equal aa ’N)8 ( equal aa ’ASN )) 2)9 (( or ( equal aa ’D)

10 ( equal aa ’ASP )) 3)11 (( or ( equal aa ’C)12 ( equal aa ’CYS )) 4)13 (( or ( equal aa ’Q)14 ( equal aa ’GLN )) 5)15 (( or ( equal aa ’E)16 ( equal aa ’GLU )) 6)17 (( or ( equal aa ’G)18 ( equal aa ’GLY )) 7)19 (( or ( equal aa ’H)



Indexación de los aminoácidos II

20 ( equal aa ’HIS )) 8)21 (( or ( equal aa ’I)22 ( equal aa ’ILE )) 9)23 (( or ( equal aa ’L)24 ( equal aa ’LEU )) 10)25 (( or ( equal aa ’K)26 ( equal aa ’LYS )) 11)27 (( or ( equal aa ’M)28 ( equal aa ’MET )) 12)29 (( or ( equal aa ’F)30 ( equal aa ’PHE )) 13)31 (( or ( equal aa ’P)32 ( equal aa ’PRO )) 14)33 (( or ( equal aa ’S)34 ( equal aa ’SER )) 15)35 (( or ( equal aa ’T)36 ( equal aa ’THR )) 16)37 (( or ( equal aa ’W)38 ( equal aa ’TRP )) 17)39 (( or ( equal aa ’Y)40 ( equal aa ’TYR )) 18)



Indexación de los aminoácidos III

41 (( or ( equal aa ’V)42 ( equal aa ’VAL )) 19)43 (( equal aa ’ter) 20)))

I De manera que:1 BIOINFO > (index ’val)2 193 BIOINFO > (index ’ter)4 20



Distancias entre aminoácidos I

I Ahora podemos computar la distancia entre dos aminoácidos. Hayque poner especial cuidado con los terminadores.1 ( defun get-dist (aai aaj & optional matrix )2 ;;; Get pam250 value in PAM for aminoacid aai substituted by aaj3 ;;; aminoacids can be coded with one letter or three letters .4 ;;; ter to ter = 1 and amino to ter ( and viceversa ) = -85

6 (let (( matrix (cond (( null matrix ) * pam250 *)7 (t matrix ))))8 (cond (( and ( equal aai ’ter) ;; ter to ter transition9 ( equal aaj ’ter ))

10 (cond (( equal matrix * pam250 *) 1)11 (( equal matrix * codegen *) 0)12 (( equal matrix * miyazawa *) 0)13 (( equal matrix * prlic *) 0)14 (( equal matrix * blosum62 *) 0)15 (( equal matrix * robersy-grau *)16 (nth ( index aaj)17 (nth ( index aai) matrix )))



Distancias entre aminoácidos II

18 (t ( error " matrix not defined "))))19 (( or ( equal aai ’ter) ;;; amino to ter or ter to amino20 ( equal aaj ’ter ))21 (cond (( equal matrix * pam250 *) -8)22 (( equal matrix * codegen *) 6)23 (( equal matrix * miyazawa *) -1.01)24 (( equal matrix * prlic *) 0)25 (( equal matrix * blosum62 *) 0)26 (( equal matrix * robersy-grau *)27 (nth ( index aaj)28 (nth ( index aai) matrix )))29 (t ( error " matrix not defined "))))30 (t (nth ( index aaj)31 (nth ( index aai) matrix ))))))

I De manera que:1 BIOINFO > ( get-dist ’val ’arg)2 -23 BIOINFO > ( get-dist ’val ’arg * blosum62 *)4 -3



Distancias entre aminoácidos III



Nucleotidos a aminoácidos y viceversa

I Funciones de conversión:1 ( defun aa-to-nnn (aa)2 ;;; Gets the nucleotides of the aminoacid3 ( remove-if #’( lambda ( aminoacid )4 (not ( equal (cadr aminoacid ) aa )))5 * gc-tensor *))6

7 ( defun nnn-to-aa (nnn)8 ;;; Gets the aminoacid from the nucleotides9 (car ( member-if #’( lambda ( aminoacid )

10 ( equal (car aminoacid ) nnn ))11 * gc-tensor *)))

I Corrida1 BIOINFO > ( aa-to-nnn ’val)2 (((G T T) VAL) ((G T C) VAL) ((G T A) VAL) ((G T G) VAL ))3 BIOINFO > ( nnn-to-aa ’(g t t))4 ((G T T) VAL)



Imprimer tensores

I Función para imprimir tensores en 4 columnas:1 ( defun print-tensor ( tensor )2 (cond (( null tensor ) t)3 (t ( progn4 ( format t "~a ~a ~a ~a ~ %"5 (car tensor ) (cadr tensor )6 ( caddr tensor ) ( cadddr tensor ))7 ( print-tensor ( cddddr tensor ))))))


Bioinformática Interfaz gráfica

Interfaz gráfica

I ¿Como podemos programar una interfaz como la siguiente?



CAPI

I Se trata de una librería orientada a objetos que debe importarsedentro del paquete principal de nuestra aplicación.

I contain puede usarse para ver resultados rápidamente:1 CL -USER > (make - instance ’capi:push - button2 :data " Button ")3 CL -USER > (capi: contain *)



Botones de la interfaz I

I Podemos definir así los botones de la interfaz:1 (setq run-s-nnn ( make-instance ’push-button2 :text " S-nnn "3 : callback ’s-nnn-message4 : visible-min-width ’(: character 7)))5

6 (setq run-s-6-bits ( make-instance ’push-button7 :text " S-6-bits "8 : callback ’s-6-bits-message9 : visible-min-width ’(: character 7)))

10

11 (setq run-s * ( make-instance ’push-button12 :text "S*"13 : callback ’s*- message14 : visible-min-width ’(: character 7)))15

16 (setq exit ( make-instance ’push-button17 :text " Salir "18 : callback #’( lambda (data interface )19 ( quit-interface interface ))



Botones de la interfaz II

20 : visible-min-width ’(: character 7)))



Funciones que llaman los botones I

I Y las funciones que invocan los :callback

1 ( defun s-nnn-message (data interface )2 ( declare ( ignore data interface ))3 ( apply-in-pane-process4 output5 #’( setf display-pane-text )6 ( format nil "Los valores por codón son: ~ %~ %~9:@<S1 ~ >~97 :@<S2 ~ >~9:@<S3 ~ >~ %~9:@ <~6 ,3F~ >~9:@ <~6 ,3F~ >~9:@ <~6 ,3F~>"8 ( S-nnn 1 (eval * option *))9 ( S-nnn 2 (eval * option *))

10 ( S-nnn 3 (eval * option *)))11 output ))12

13 ( defun s-6-bits-message (data interface )14 ( declare ( ignore data interface ))15 ( apply-in-pane-process16 output17 #’( setf display-pane-text )18 ( format nil "Los valores por bit son :~ %~ %~9:@<C1 ~ >~9:@<H1 ~ >~9:19 @<C2 ~ >~9:@<H2 ~ >~9:@<C3 ~ >~9:@<H3 ~ >~ %~9:@ <~6 ,3F~ >~9:



Funciones que llaman los botones II

20 @ <~6 ,3F~ >~9:@ <~6 ,3F~ >~9:@ <~6 ,3F~ >~9:@ <~6 ,3F~ >~9:21 @ <~6 ,3F~>"22 ( S-6bits 1 (eval * option *))23 ( S-6bits 2 (eval * option *))24 ( S-6bits 3 (eval * option *))25 ( S-6bits 4 (eval * option *))26 ( S-6bits 5 (eval * option *))27 ( S-6bits 6 (eval * option *)))28 output ))29

30 ( defun s*- message (data interface )31 ( declare ( ignore data interface ))32 ( apply-in-pane-process33 output34 #’( setf display-pane-text )35 ( format nil "Los valores por codón son: ~ %~ %~9:@<S1 ~ >~9:@<S2~>36 ~9:@<S3 ~ >~ %~9:@ <~6 ,3F~ >~9:@ <~6 ,3F~ >~9:@ <~6 ,3F~>"37 (S* 1 (eval * option *))38 (S* 2 (eval * option *))39 (S* 3 (eval * option *)))40 output ))



Funciones que llaman los botones III



Formateo de botones

I Ahora podemos formatear los botones en un renglón:1 (setq buttons2 ( make-instance ’row-layout3 : description (list run-s-nnn run-s-6-bits run-s * exit )))



Elección de matriz

I Para elegir la matriz de similitud que se usará, podemos usar un panelde opciones:1 ( defun set-option (data interface )2 (setq * option * data ))3

4 (setq options ( make-instance ’option-pane5 : items * options *6 : selected-item * pam250 *7 : selection-callback ’set-option8 : title " Matriz de similitud : "))



Panel de salida

I y para desplegar los resultados un panel de display llamado outputporque es ahí donde las acciones de los botones despliegan susresultados:1 (setq output2 ( make-instance ’display-pane3 :font (gp: make-font-description4 : family " Courier New"5 :size 12)6 : foreground :navy7 :text ’(" Bienvenido a Bioinfo UV/CIIA aguerra ")8 : visible-min-height ’(: character 5)))



Despliegue de la interfaz

I Finalmente contain despliega toda la interfaz:1 ( contain2 ( make-instance ’column-layout3 : description (list options output buttons )))


Bioinformática Ejecutable

Script para crear un ejecutableI El script debe cargarse desde el IDE de LispWorks.

1 ;;; Automatically generated delivery script2

3 ( in-package " CL-USER ")4

5 ( load-all-patches )6

7 ;;; Load the application :8

9 ( compile-file "~/ Dropbox /code/lisp/pia/ cap07 / biinfo / bioinfo .lsp")10 (load "~/ Dropbox /code/lisp/pia/ cap07 / bioinfo / bioinfo ")11

12 ;;; Load the example file that defines WRITE-MACOS-APPLICATION-BUNDLE13 ;;; to create the bundle .14

15 ( compile-file16 (sys: example-file " configuration / macos-application-bundle .lisp")17 :load t)18

19 ( deliver ’| BIOINFO |:: start20 (when ( save-argument-real-p )21 ( write-macos-application-bundle22 "~/ Dropbox /code/lisp/pia/ cap07 / bioinfo / bioinfo .app"))23 024 : interface :capi)


Arboles de Decisión: CL-ID3 Conceptos básicos

Arboles de Decisión

I Los árboles de decisión representan hipótesis sobre una clase, comouna conjunción de disyunciones de atributos proposicionales.

I Recordando un buen día para jugar tenis [4]:

Cielo

Húmedad Vientosi

si

soleadonublado

lluvioso

no

alta normal

no si

fuerte débil

Atributo

Clase

Valor



Ejemplos de entrenamiento

I Representación proposicional (atributo-valor)

Día Cielo Temperatura Humedad Viento Jugar-tenis?1 soleado calor alta débil no2 soleado calor alta fuerte no3 nublado calor alta débil si4 lluvia templado alta débil si5 lluvia frío normal débil si6 lluvia frío normal fuerte no7 nublado frío normal fuerte si8 soleado templado alta débil no9 soleado frío normal débil si10 lluvia templado normal débil si11 soleado templado normal fuerte si12 nublado templado alta fuerte si13 nublado calor normal débil si14 lluvia templado alta fuerte no



Clasificación

I Algoritmo:

1: function clasifica(E: ejemplo, A: árbol)2: Clase ← valor-atributo(raíz(A),E);3: if es-hoja(raíz(A)) then4: return Clase5: else6: clasifica(E, sub-árbol(A,Clase));7: end if8: end function

I Dado el árbol de la página anterior, el siguiente caso:

〈Cielo = soleado, Temperatura = caliente, Humedad = alta, Viento = fuerte〉

se clasifica como un día en el que no se jugará tenis.



Inducción de árboles de decisión

I El algoritmo propuesto por Quinlan [5]

1: function ID3(E: ejemplos, A: atributos, C: clase)2: AD ← ∅; Clase ← clase-mayoritaria(C,E);3: if E = ∅ then return AD;4: else if misma-clase(E,C) then return AD ← Clase;5: else if A = ∅ then return AD ← Clase;6: else7: Mejor-Partición ← mejor-partición(E, A);8: Mejor-Atributo ← primero(Mejor-Partición);9: AD ← Mejor-Atributo;

10: for all Partición ∈ resto(Mejor-Partición) do11: Valor-Atributo ← primero(Partición);12: Sub-E ← resto(Partición);13: agregar-rama(AD, Valor-Atributo, ID3(Sub-E, {A \ Mejor-Atributo}, C));14: end for15: end if16: end function



Entropía

I Si los posibles n valores del atributo v , ocurren con probabilidadesP(vi ,...,n), entonces el contenido de información, o entropía, E estádado por:

E (P(vi), . . . ,P(vn)) =n∑

i=1−P(vi) log2 P(vi)

I En nuestro caso, de 14 ejemplos 9 son positivos y 5 son negativos:

E ( 914 ,

514) = 0,940



Ganancia de información

I Es la reducción de la entropía causada por particionar un conj. deentrenamiento S, con respecto a un atributo a ∈ A:

ganancia(S, a) = E (S)−∑v∈a

|Sv ||S| E (Sv )

I Observen que el segundo término de ganancia/2, es la entropía conrespecto al atributo a.

I Ejemplo:ganancia(S, cielo) = 0,24674976



Mejor atributo

I Aquel que maximiza la ganancia de información:1 Information gain of attribute CIELO : 0.246749762 Information gain of attribute TEMPERATURA : 0.0292225483 Information gain of attribute HUMEDAD : 0.151835444 Information gain of attribute VIENTO : 0.0481269365 Highest information gain: 0.24674976


Arboles de Decisión: CL-ID3 Representaciones

Arboles de Decisión

I Podemos representarlos como una lista de listas:1 CL -USER > (setq arbol ’(cielo2 ( soleado ( humedad3 ( normal si)4 (alta no )))5 ( nublado si)6 ( lluvia ( viento7 ( fuerte no)8 (debil si )))))9

10 (CIELO ( SOLEADO ( HUMEDAD ( NORMAL SI) (ALTA NO )))11 ( NUBLADO SI) ( LLUVIA ( VIENTO ( FUERTE NO) (DEBIL SI ))))



Funciones de acceso al árbol

I Algunas funciones básicas de acceso:1 ( defun root (tree)2 " Returns the root of the decision tree"3 (car tree ))4

5 ( defun sub-tree (tree value )6 " Returns the sub-tree under the branch labeled as value "7 ( second ( assoc value (cdr tree ))))8

9 ( defun leaf-p (tree)10 " Verifies if tree is a leaf"11 (atom tree ))



Ejemplos

I Dado nuestro árbol inicial tenemos que:1 CL -USER > (root arbol)2 CIELO3 CL -USER > (sub -tree arbol ’soleado )4 ( HUMEDAD ( NORMAL SI) (ALTA NO))5 CL -USER > (sub -tree arbol ’nublado )6 SI7 CL -USER > (leaf (sub -tree arbol ’soleado ))8 NIL9 CL -USER > (leaf (sub -tree arbol ’nublado ))

10 T



¿Cómo funciona assoc?

I Regresa el primer cons de su segundo argumento (una lista), cuyocar es igual a su primer argumento.

I Hay variantes assoc-if y assoc-if-not.1 CL -USER > (assoc ’uno ’(( uno 1) (dos 2) (tres 3)))2 (UNO 1)3 CL -USER > (assoc ’dos ’(( uno 1) (dos 2) (tres 3)))4 (DOS 2)5 CL -USER > (assoc ’lluvia (cdr arbol ))6 ( LLUVIA ( VIENTO ( FUERTE NO) (DEBIL SI )))



Imprimiendo un árbol de decisión

I Observen el uso de loop y terpri:1 ( defun print-tree (tree & optional ( depth 0))2 ( mytab depth )3 ( format t "~A~ %" ( first tree ))4 (loop for subtree in (cdr tree) do5 ( mytab (+ depth 1))6 ( format t "- ~A" ( first subtree ))7 (if (atom ( second subtree ))8 ( format t " -> ~A~ %" ( second subtree ))9 ( progn

10 ( terpri )11 ( print-tree ( second subtree ) (+ depth 5))))))12

13 ( defun mytab (n)14 (loop for i from 1 to n do ( format t " ")))



Ejemplo

I Imprimiendo nuestro árbol:1 CL -USER > (print -tree arbol)2 CIELO3 - SOLEADO4 HUMEDAD5 - NORMAL -> SI6 - ALTA -> NO7 - NUBLADO -> SI8 - LLUVIA9 VIENTO

10 - FUERTE -> NO11 - DEBIL -> SI12 NIL



Ejemplos de entrenamiento

I Aunque los ejemplos también pueden representarse como una lista delistas, esto no es buena idea.

I Necesitamos una representación que nos permita relacionar el valor deun atributo en un ejemplo dado.

I Ejemplo: Supongan que *examples* es mi repositorio de ejemplos:1 CL -USER > (get -value ’cielo (car * examples *))2 LLUVIA



Ejemplos, atributos y valores

I Las bases para la indexación son las siguientes:1 ( defun put-value (attr inst val)2 (setf (get inst attr) val ))3

4 ( defun get-value (attr inst)5 (get inst attr ))

I Ejemplo:1 CL -USER > (put -value ’nombre ’ej1 ’alejandro )2 ALEJANDRO3 CL -USER > (get -value ’nombre ’ej1)4 ALEJANDRO5 CL -USER > (setq * ejemplos * nil)6 NIL7 CL -USER > (push ’ej1 * ejemplos *)8 (EJ1)9 CL -USER > (get -value ’nombre (car * ejemplos *))

10 ALEJANDRO



Archivos de ejemplos: ARFF y CSV

I Un archivo tenis.arff:@RELATION jugar-tenis

@ATTRIBUTE cielo {soleado,nublado,lluvia}@ATTRIBUTE temperatura {calor,templado,frio}@ATTRIBUTE humedad {alta,normal}@ATTRIBUTE viento {debil,fuerte}@ATTRIBUTE jugar-tenis {si,no}

@DATA

soleado, calor, alta, debil, nosoleado, calor, alta, fuerte, nonublado, calor, alta, debil, silluvia, templado, alta, debil, si...


Arboles de Decisión: CL-ID3 Librerías ASDF2

With a little help from your friends

I ASFD2 (Another System Definition Facility 2) es una herramientapara describir como están organizados los archivos fuente de unsistema Lisp.

I En particular sus dependencias.I Quicklisp es una herramienta que nos permite instalar librerías que

han sido definidas usando ASDF2.



Instalando librerías: trivial-shell

I trivial-shell permite ejecutar comandos del shell de Unix.I Su instalación con quicklisp es como sigue:

1 CL -USER > (ql: quickload "trivial -shell ")2 To load "trivial -shell ":3 Install 1 Quicklisp release :4 trivial -shell5 ; Fetching #<QL -HTTP:URL6 "http :// beta. quicklisp .org/ archive /trivial -shell/7 2011 -05 -22/ trivial -shell -20110522 - http.tgz">8 ; 13.61 KB9 ==================================================

10 13 ,937 bytes in 0.00 seconds (13610.35 KB/sec)11 ; Loading "trivial -shell"12 [ package com. metabang .trivial - timeout ]............13 [ package trivial -shell ]..14 (" trivial - shell ")



Ejecutando comandos shell: grep

I De forma que podemos usar egrep para extraer líneas del archivoARFF:1 CL -USER > (trivial -shell:shell - command2 "egrep \" @ATTR \" tenis.arff ")3 " @ATTRIBUTE cielo {soleado ,nublado , lluvia }4 @ATTRIBUTE temperatura {calor ,templado ,frio}5 @ATTRIBUTE humedad {alta , normal }6 @ATTRIBUTE viento {debil , fuerte }7 @ATTRIBUTE jugar -tenis {si ,no}8 "9 NIL

10 0



Partiendo cadenas: split-sequence

I Podemos llamar a split-sequence para partir cadenas de texto:1 CL -USER > (ql: quickload "split - sequence ")2 To load "split - sequence ":3 Load 1 ASDF system :4 split - sequence5 ; Loading "split - sequence "6

7 (" split - sequence ")8 CL -USER > (split - sequence :split - sequence #\, "hola , que , tal ")9 (" hola" " que" " tal ")

10 14



Ensamblando cajitas

I Podemos usar estas facilidades para leer las líneas del archivo ARFF:1 CL -USER > (split - sequence :split - sequence #\ Newline2 (trivial - shell :shell - command3 " egrep \" @ATTR \" tenis .arff "))4 (" @ATTRIBUTE cielo {soleado ,nublado , lluvia }"5 " @ATTRIBUTE temperatura {calor ,templado ,frio }"6 " @ATTRIBUTE humedad {alta , normal }" " @ATTRIBUTE viento {debil , fuerte }"7 " @ATTRIBUTE jugar - tenis {si ,no }" "")8 184


Arboles de Decisión: CL-ID3 Carga de Archivos

Variables globales

I Definamos variables globales para nuestro ambiente de trabajo:1 ( defvar * attributes * nil "The attributes of the problem ")2 ( defvar * domains * nil "The domain of the attributes ")3 ( defvar * target * nil "The target concept ")4 ( defvar * examples * nil "The training set")5 ( defvar * trace * nil " Trace the computations ")



Datos crudos

I Leyendo los datos del conjunto de entrenamiento (líneas que nocomienzan con salto de línea o arroba o punto y coma):1 ( defun get-data (arff)2 ( mapcar #’( lambda (x)3 ( mapcar #’ read-from-string4 ( split-sequence : split-sequence #\, x)))5 ( butlast6 ( split-sequence : split-sequence7 #\ Newline8 ( trivial-shell : shell-command9 ( concatenate ’string

10 " egrep -v \"^$|[@ %]\" "11 arff ))))))



Ejemplo

I Leyendo los ejemplos de entrenamiento:1 CL -USER > (get -data " tenis .arff ")2 (( SOLEADO CALOR ALTA DEBIL NO) ( SOLEADO CALOR ALTA FUERTE NO) ( NUBLADO3 CALOR ALTA DEBIL SI) ( LLUVIA TEMPLADO ALTA DEBIL SI) ( LLUVIA FRIO4 NORMAL DEBIL SI) ( LLUVIA FRIO NORMAL FUERTE NO) ( NUBLADO FRIO NORMAL5 FUERTE SI) ( SOLEADO TEMPLADO ALTA DEBIL NO) ( SOLEADO FRIO NORMAL DEBIL6 SI) ( LLUVIA TEMPLADO NORMAL DEBIL SI) ( SOLEADO TEMPLADO NORMAL FUERTE7 SI) ( NUBLADO TEMPLADO ALTA FUERTE SI) ( NUBLADO CALOR NORMAL DEBIL SI)8 ( LLUVIA TEMPLADO ALTA FUERTE NO ))



Clase a predecir

I Recuperando la clase a predecir (target):1 ( defun get-target (arff)2 ( read-from-string3 (car4 (cdr ( split-sequence : split-sequence5 #\ Space6 (car7 ( butlast8 ( split-sequence : split-sequence9 #\ Newline

10 ( trivial-shell : shell-command11 ( concatenate ’string12 " egrep \" @rel|@REL \" "13 arff ))))))))))

1 CL -USER > (get - target "tenis.arff ")2 JUGAR -TENIS3 11



Dominios

I Obteniendo el dominio de un atributo:1 ( defun get-domain ( attribute )2 (nth ( position attribute * attributes *)3 * domains *))



Todo junto

I Leyendo un ARFF:1 ( defun id3-load (arff)2 (let (( data ( get-data arff ))3 ( attribs-doms ( get-attribs-doms arff )))4 (setf * gensym-counter * 1)5 (setf * attributes * ( mapcar #’car attribs-doms ))6 (setf * domains * ( mapcar #’cadr attribs-doms ))7 (setf * target * ( get-target arff ))8 (loop for d in data do9 (let (( ej ( gensym "ej")))

10 (push ej * examples *)11 (loop for attrib in * attributes *12 as v in d do13 ( put-value attrib ej v))))14 ( format t " Training set initialized ")))



Ejemplo

I Cargando los ejemplos de tenis:1 CL -USER > (id3 -load " tenis .arff ")2 Training set initialized3 NIL4 CL -USER > * examples *5 (#:| ej14| #:| ej13| #:| ej12| #:| ej11| #:| ej10| #:| ej9| #:| ej8| #:| ej7|6 #:| ej6| #:| ej5| #:| ej4| #:| ej3| #:| ej2| #:| ej1 |)7 CL -USER > * attributes *8 ( CIELO TEMPERATURA HUMEDAD VIENTO JUGAR - TENIS )9 CL -USER > * domains *

10 (( SOLEADO NUBLADO LLUVIA ) ( CALOR TEMPLADO FRIO) (ALTA NORMAL )11 ( DEBIL FUERTE ) (SI NO ))



Y el reseteo

I Limpiando las variables globales:1 ( defun id3-reset ()2 (setf * examples * nil3 * target * nil4 * attributes * nil5 * domains * nil6 * trace * nil7 *root* nil)8 ( format t "The ID3 setting has been reset ."))


Arboles de Decisión: CL-ID3 Mejoras

Definición de un sistema ASDF: cl-id3.asd

1 (asdf: defsystem : cl-id32 : depends-on (: split-sequence )3 : components ((: file " cl-id3-package ")4 (: file " cl-id3-algorithm "5 : depends-on (" cl-id3-package "))6 (: file " cl-id3-load "7 : depends-on (" cl-id3-package "8 " cl-id3-algorithm "))9 (: file " cl-id3-classify "

10 : depends-on (" cl-id3-package "11 " cl-id3-algorithm "12 " cl-id3-load "))13 (: file " cl-id3-cross-validation "14 : depends-on (" cl-id3-package "15 " cl-id3-algorithm "16 " cl-id3-load "17 " cl-id3-classify "))18 (: file " cl-id3-gui "19 : depends-on (" cl-id3-package "20 " cl-id3-algorithm "21 " cl-id3-load "22 " cl-id3-classify "23 " cl-id3-cross-validation "))))



Definiendo un paquete: cl-id3-package

1 ( defpackage : cl-id32 (: use :cl :capi : split-sequence )3 (: export : load-file4 : induce5 : print-tree6 : classify7 : classify-new-instance8 : cross-validation9 :gui ))



Leyendo archivos: cl-id3-load

1 ( in-package : cl-id3 )2

3 ;;; Auxiliar functions4

5 ( defun read-lines-from-file (file)6 "It reads the FILE into a list of strings "7 ( remove-if ( lambda (x) ( equal x ""))8 ( with-open-file (in file)9 (loop for line = ( read-line in nil ’end)

10 until (eq line ’end) collect line ))))



Portabilidad: Bye, bye grep

1 ( defun arff-get-data ( lines )2 "It extracts the value for *data* from the lines of a ARFF file"3 ( mapcar #’( lambda (x)4 ( mapcar #’ read-from-string5 ( split-sequence #\, x)))6 ( remove-if7 ( lambda (x) ( string-equal "@" ( subseq x 0 1)))8 lines )))9

10 ( defun csv-get-data ( lines )11 "It extracts the value for *data* from the lines of a CSV file"12 ( mapcar #’( lambda (x)13 ( mapcar #’ read-from-string14 ( split-sequence #\, x))) (cdr lines )))



Ejemplo:

I Ejecutando arff-get-data (más cajitas):1 CL -ID3 > (arff -get -data (read -lines -from -file " tenis .arff "))2 (( SOLEADO CALOR ALTA DEBIL NO) ( SOLEADO CALOR ALTA FUERTE NO) ( NUBLADO3 CALOR ALTA DEBIL SI) ( LLUVIA TEMPLADO ALTA DEBIL SI) ( LLUVIA FRIO4 NORMAL DEBIL SI) ( LLUVIA FRIO NORMAL FUERTE NO) ( NUBLADO FRIO NORMAL5 FUERTE SI) ( SOLEADO TEMPLADO ALTA DEBIL NO) ( SOLEADO FRIO NORMAL DEBIL6 SI) ( LLUVIA TEMPLADO NORMAL DEBIL SI) ( SOLEADO TEMPLADO NORMAL FUERTE7 SI) ( NUBLADO TEMPLADO ALTA FUERTE SI) ( NUBLADO CALOR NORMAL DEBIL SI)8 ( LLUVIA TEMPLADO ALTA FUERTE NO ))



Load

1 ( defun load-file (file)2 "It initializes the learning setting from FILE"3 ( labels (( get-examples (data)4 (loop for d in data do5 (let (( ej ( gensym "ej")))6 (setf * examples * (cons ej * examples *))7 (loop for attrib in * attributes *8 as v in d do9 ( put-value attrib ej v ))))))

10 (if ( probe-file file)11 (let (( file-ext (car (last ( split-sequence #\. file ))))12 ( file-lines ( read-lines-from-file file )))13 ( reset )14 (cond15 (( equal file-ext "arff")16 (let (( attribs-doms ( arff-get-attribs-doms file-lines )))17 (setf * attributes * ( mapcar #’car attribs-doms ))18 (setf * domains * ( mapcar #’cadr attribs-doms ))19 (setf * target * ( arff-get-target file-lines ))20 (setf *data* ( arff-get-data file-lines ))21 ( get-examples *data *)22 ( format t " Training setting initialized after ~s.~ %" file )))23 (( equal file-ext "csv")24 (let (( attribs-doms ( csv-get-attribs-doms file-lines )))25 (setf * attributes * ( mapcar #’car attribs-doms ))26 ...27 (t ( error "File ’s ~s extension can not be determined ." file ))))28 ( error "File ~s does not exist.~ %" file ))))



Ejemplo

I Cargando un archivo:1 CL -ID3 > (load -file "tenis.arff ")2 The ID3 setting has been reset.3 Training setting initialized after "tenis.arff ".4 NIL5 CL -ID3 > * target *6 JUGAR -TENIS7 CL -ID3 > * attributes *8 (CIELO TEMPERATURA HUMEDAD VIENTO JUGAR -TENIS)9 CL -ID3 > * examples *

10 (#:| ej14| #:| ej13| #:| ej12| #:| ej11| #:| ej10| #:| ej9| #:| ej8|11 #:| ej7| #:| ej6| #:| ej5| #:| ej4| #:| ej3| #:| ej2| #:| ej1 |)


Arboles de Decisión: CL-ID3 ID3

Algoritmo principal

1 ( defun id3 ( examples attribs )2 "It induces a decision tree runing ID3 over EXAMPLES and ATTRIBS )"3 (let (( class-by-default ( get-value * target * (car examples ))))4 (cond5 ;; Stop criteria6 (( same-class-value-p * target *7 class-by-default8 examples ) class-by-default )9 ;; Failure

10 (( null attribs ) ( target-most-common-value examples ))11 ;; Recursive call12 (t (let* (( partition ( best-partition attribs examples ))13 (node ( first partition )))14 (cons node15 (loop for branch in (cdr partition ) collect16 (list ( first branch )17 (id3 (cdr branch )18 ( remove node attribs ))))))))))



¿Todos somos de la misma clase?

I Criterio terminal:1 ( defun same-class-value-p ( attrib value examples )2 "Do all EXAMPLES have the same VALUE for a given ATTRIB ?"3 ( every #’( lambda (e)4 (eq value5 ( get-value attrib e)))6 examples ))

I Ejemplo:1 CL -ID3 > (same -class -value -p * target * ’si * examples *)2 NIL3 CL -ID3 > (same -class -value -p * target * ’no * examples *)4 NIL



Valor mayoritario de Clase

1 ( defun target-most-common-value ( examples )2 "It gets the most common value for * target * in EXAMPLES "3 (let (( domain ( get-domain * target *))4 (vals ( mapcar #’( lambda (x) ( get-value * target * x))5 examples )))6 (caar (sort (loop for v in domain collect7 (list v ( count v vals )))8 #’( lambda (x y) (>= (cadr x)9 (cadr y )))))))

1 CL -ID3 > (target -most -common -value * examples *)2 SI



Partición

1 ( defun get-partition ( attrib examples )2 "It gets the partition induced by ATTRIB in EXAMPLES "3 (let ( result vlist v)4 (loop for e in examples do5 (setq v ( get-value attrib e))6 (if (setq vlist ( assoc v result ))7 ;;; value v existed , the example e is added8 ;;; to the cdr of vlist9 ( rplacd vlist (cons e (cdr vlist )))

10 ;;; else a pair (v e) is added to result11 (setq result (cons (list v e) result ))))12 (cons attrib result )))

1 CL -ID3 > (get - partition ’cielo * examples *)2 (CIELO ( SOLEADO #:| ej1| #:| ej2| #:| ej8| #:| ej9| #:| ej11 |)3 ( NUBLADO #:| ej3| #:| ej7| #:| ej12| #:| ej13 |)4 ( LLUVIA #:| ej4| #:| ej5| #:| ej6| #:| ej10| #:| ej14 |))



Entropía

1 ( defun entropy ( examples attrib )2 "It computes the entropy of EXAMPLES with respect to an ATTRIB "3 (let (( partition ( get-partition attrib examples ))4 ( number-of-examples ( length examples )))5 ( apply #’+6 ( mapcar #’( lambda (part)7 (let* (( size-part ( count-if #’atom8 (cdr part )))9 ( proportion

10 (if (eq size-part 0) 011 (/ size-part12 number-of-examples ))))13 (* -1.0 proportion (log proportion 2))))14 (cdr partition )))))

1 CL -ID3 > ( entropy * examples * ’jugar -tenis)2 0.9402859



Ganancia de Información

1 ( defun information-gain ( examples attribute )2 "It computes information-gain for an ATTRIBUTE in EXAMPLES "3 (let (( parts ( get-partition attribute examples ))4 ( no-examples ( count-if #’atom examples )))5 (- ( entropy examples * target *)6 ( apply #’+7 ( mapcar8 #’( lambda (part)9 (let* (( size-part ( count-if #’atom

10 (cdr part )))11 ( proportion (if (eq size-part 0) 012 (/ size-part13 no-examples ))))14 (* proportion ( entropy (cdr part) * target *))))15 (cdr parts ))))))

1 CL -ID3 > ( information -gain * examples * ’cielo)2 0.2467497



Mejor partición

1 ( defun best-partition ( attributes examples )2 "It computes one of the best partitions induced by ATTRIBUTES over EXAMPLES "3 (let* (( info-gains4 (loop for attrib in attributes collect5 (let (( ig ( information-gain examples attrib ))6 (p ( get-partition attrib examples )))7 (when * trace *8 ( format t " Partici ón inducida por el atributo ~s:~ %~s~ %"9 attrib p)

10 ( format t " Ganancia de informaci ón: ~s~ %"11 ig ))12 (list ig p))))13 (best ( cadar (sort info-gains #’( lambda (x y) (> (car x) (car y )))))))14 (when * trace * ( format t "Best partition : ~s~ %-------------~ %" best ))15 best ))

1 CL -ID3 > (best - partition ( remove * target * * attributes *)2 * examples *)3 (CIELO ( SOLEADO #:| ej1| #:| ej2| #:| ej8| #:| ej9| #:| ej11 |)4 ( NUBLADO #:| ej3| #:| ej7| #:| ej12| #:| ej13 |)5 ( LLUVIA #:| ej4| #:| ej5| #:| ej6| #:| ej10| #:| ej14 |))



Induciendo un árbol

1 ( defun induce (& optional ( examples * examples *))2 "It induces the decision tree using learning setting "3 (when (not ( member * target * * attributes *))4 ( error "The target is defined incorrectly : Maybe Weka modified your ARFF"))5 (id3 examples ( remove * target * * attributes *)))

1 CL -ID3 > ( induce )2 (CIELO ( SOLEADO ( HUMEDAD ( NORMAL SI) (ALTA NO )))3 ( NUBLADO SI) ( LLUVIA ( VIENTO ( FUERTE NO) (DEBIL SI ))))



Y con print-tree

1 CL -ID3 > (print -tree ( induce ))2 CIELO3 - SOLEADO4 HUMEDAD5 - NORMAL -> SI6 - ALTA -> NO7 - NUBLADO -> SI8 - LLUVIA9 VIENTO

10 - FUERTE -> NO11 - DEBIL -> SI12 NIL



Cargando el sistema ASDF

I Hemos especificado como compilar cl-id3 como un sistema ASDF.I La forma más fácil de cargar el sistema es creando una liga simbólica

a este archivo en el directorio quicklisp:1 > ln -s ~/ Documents / cursos /pia/ codigo /lisp/ cap07 /cl -id3/cl -id3.asd cl -id3.asd

I Podemos entonces cargar el sistema desde lisp:1 CL-USER > (asdf: operate ’asdf: load-op ’cl-id3 )



Prueba

1 CL-USER > ( cl-id3 : load-file " tenis .csv")2 The ID3 setting has been reset .3 Training set initialized after " tenis .csv".4 NIL5 CL-USER > cl-id3 ::* attributes *6 ( CIELO HUMEDAD TEMPERATURA VIENTO JUGAR-TENIS )7 CL-USER > ( cl-id3 : print-tree ( cl-id3 : induce ))8 CIELO9 - SOLEADO

10 TEMPERATURA11 - NORMAL -> SI12 - ALTA -> NO13 - NUBLADO -> SI14 - LLUVIA15 VIENTO16 - FUERTE -> NO17 - DEBIL -> SI18 NIL


Arboles de Decisión: CL-ID3 GUI

La interfaz gráfica del sistema



capi:contain

I Podemos probar codigo de la GUI como sigue:1 CL -USER > (capi: contain (capi:display - message2 "CL -ID3~ %~ %Universidad Veracruzana~ %Departamento de Inteligencia3 Artificial~ %Sebasti án Camacho No 5~ %Xalapa , Ver.,4 México 91000~ % http :// www.uv.mx/ aguerra~ %aguerra@uv .mx "))



Variables globales (habilitar menus)

1 ( defvar * examples-on * nil "t enables the examples menu")2 ( defvar * attributes-on * nil "t enables the attributes menu")3 ( defvar * induce-on * nil "t enables the induce menu")4 ( defvar * classify-on * nil "t enables the classify menu")5 ( defvar * cross-validation-on * nil "t enables the cross-validation menu")



Ventana principal: paneles de texto

1 ( define-interface cl-id3-gui ()2 ()3 (: panes4 ( source-id-pane text-input-pane5 : accessor source-id-pane6 :text ""7 : enabled nil)8 ( num-attributes-pane text-input-pane9 : accessor num-attributes-pane

10 :text ""11 : enabled nil)12 ( num-examples-pane text-input-pane13 : accessor num-examples-pane14 :text ""15 : enabled nil)16 ( class-pane text-input-pane17 : accessor class-pane18 :text ""19 : enabled nil)20 ( efficiency-pane text-input-pane21 :text ""22 : enabled nil)23 ( k-value-pane text-input-pane24 :text "0")...



Ventana principal: Otros paneles

1 ...2 ( tree-pane graph-pane3 : title " Decision Tree"4 : title-position : frame5 : children-function ’node-children6 : edge-pane-function7 #’( lambda (self from to)8 ( declare ( ignore self from ))9 ( make-instance

10 ’labelled-arrow-pinboard-object11 :data ( princ-to-string ( node-from-label to ))))12 : visible-min-width 45013 : layout-function : top-down )14 ( state-pane title-pane15 : accessor state-pane16 :text " Welcome to CL-ID3 .")) ...



Ventana principal: Menus 1

1 ...2 (: menus3 ( file-menu4 "File"5 (("Open" : selection-callback ’gui-load-file6 : accelerator #\o)7 ("Quit" : selection-callback ’gui-quit8 : accelerator #\q)))9 ( view-menu

10 "View"11 ((" Attributes " : selection-callback ’gui-view-attributes12 : accelerator #\a13 : enabled-function #’( lambda (menu)14 ( declare ( ignore menu )) * attributes-on *))15 (" Examples " : selection-callback ’gui-view-examples16 : accelerator #\e17 : enabled-function #’( lambda (menu)18 ( declare ( ignore menu )) * examples-on *))))



Ventana principal: Menus 2

1 ...2 ( id3-menu3 "id3"4 ((" Induce " : selection-callback ’gui-induce5 : accelerator #\i6 : enabled-function #’( lambda (menu)7 ( declare ( ignore menu )) * induce-on *))8 (" Classify " : selection-callback ’gui-classify9 : accelerator #\k

10 : enabled-function #’( lambda (menu)11 ( declare ( ignore menu )) * classify-on *))12 (" Cross-validation " : selection-callback ’gui-cross-validation13 : accelerator #\c14 : enabled-function #’( lambda (menu)15 ( declare ( ignore menu )) * cross-validation-on *))))16 ( help-menu17 "Help"18 ((" About " : selection-callback ’gui-about ))))19 (: menu-bar file-menu view-menu id3-menu help-menu )



Ventana principal: Layouts

1 (: layouts2 ( main-layout column-layout ’( panes state-pane ))3 ( panes row-layout ’( info-pane tree-pane ))4 ( titles column-layout ’())5 ( matrix-pane row-layout ’( titles confusion )6 : title " Confusion Matrix " : x-gap ’10 : y-gap ’307 : title-position : frame : visible-min-width ’200)8 ( confusion grid-layout ’())9 ( info-pane column-layout ’( setting-pane id3-pane matrix-pane ))

10 ( setting-pane grid-layout11 ’(" Source File" source-id-pane12 "No. Attributes " num-attributes-pane13 "No. Examples " num-examples-pane14 " Class " class-pane )15 : y-adjust : center16 : title " Trainning Set"17 : title-position : frame : columns ’2)18 ( id3-pane grid-layout ’("K value " k-value-pane19 " Efficiency " efficiency-pane )20 : y-adjust : center21 : title " Cross Validation "22 : title-position : frame : columns ’2))



Ventana principal: datos iniciales

1 (: default-initargs2 : title " CL-ID3 "3 : visible-min-width 8404 : visible-min-height 600))



Llamadas: gui-load-file

1 ( defun gui-load-file (data interface )2 ( declare ( ignore data ))3 (let (( file ( prompt-for-file4 nil5 : filter "*. arff"6 : filters ’("WEKA files " "*. arff"7 " Comme Separated Values " "*. csv"))))8 (when file9 (let* (( path ( princ-to-string file ))

10 ( setting (car (last ( split-sequence #\/ path )))))11 ( load-file path)12 (setf ( text-input-pane-text ( source-id-pane interface ))13 setting )14 (setf ( text-input-pane-text ( num-attributes-pane interface ))15 ( princ-to-string ( length * attributes *)))16 (setf ( text-input-pane-text ( num-examples-pane interface ))17 ( princ-to-string ( length * examples *)))18 (setf ( text-input-pane-text ( class-pane interface ))19 ( princ-to-string * target *))20 (setf ( title-pane-text ( state-pane interface ))21 ( format nil "The setting ~s has been loaded "22 path ))23 (setf * examples-on * t * attributes-on * t * induce-on * t )))))



Llamadas: gui-quit

1 ( defun gui-quit (data interface )2 ( declare ( ignore data ))3 ( quit-interface interface ))



Llamadas: gui-view-attributes 1

1 ( defun gui-view-attributes (data interface )2 ( declare ( ignore data interface ))3 (let* (( max-length-attrib ( apply #’max4 ( mapcar #’ length5 ( mapcar #’ princ-to-string6 * attributes *))))7 ( pane-total-width (list ’character8 (* max-length-attrib9 (+ 1 ( length * attributes *))))))...



Llamadas: gui-view-attributes 2

1 ( define-interface gui-domains () ()2 (: panes3 ( attributes-pane multi-column-list-panel4 : columns ’((: title " Attrib / Class "5 : adjust :left6 : visible-min-width ( character 10))7 (: title " Attributes " : adjust :left8 : visible-min-width ( character 20))9 (: title " Domains " : adjust :left

10 : visible-min-width ( character 20)))11 : items (loop for a in * attributes * collect12 (list (if (eql * target * a) ’c ’a )13 a14 ( get-domain a)))15 : visible-min-width pane-total-width16 : visible-min-height : text-height17 : vertical-scroll t)18 ( button-pane push-button19 :text " Close "20 : callback ’gui-quit ))21 (: default-initargs22 : title " CL-ID3 : attributes "))23 ( display ( make-instance ’gui-domains ))))



Dibujando el árbol: listas → nodos

1 ( defstruct node2 (inf nil)3 ( sub-trees nil)4 ( from-label nil ))56 ( defun make-tree ( tree-as-lst )7 "It makes a tree of nodes with TREE-AS-LST "8 ( make-node :inf (root tree-as-lst )9 : sub-trees ( make-sub-trees ( children tree-as-lst ))))

1011 ( defun make-sub-trees ( children-lst )12 "It makes de subtrees list of a tree with CHILDREN "13 (loop for child in children-lst collect14 (let (( sub-tree ( second child ))15 ( label ( first child )))16 (if ( leaf-p sub-tree )17 ( make-node :inf sub-tree18 : sub-trees nil19 : from-label label )20 ( make-node :inf (root sub-tree )21 : sub-trees ( make-sub-trees ( children sub-tree ))22 : from-label label )))))



Dibujando el árbol

1 ( defmethod print-object ((n node) stream )2 ( format stream "~s " ( node-inf n)))34 ( defun display-tree (root interface )5 "It displays the tree with ROOT in its pane in INTERFACE "6 ( with-slots ( tree-pane ) interface7 (setf ( graph-pane-roots tree-pane )8 (list root ))9 ( map-pane-children tree-pane ;;; redraw panes correcting x/ y-adjustments

10 ( lambda (item)11 ( update-pinboard-object item )))))1213 ( defun node-children (node)14 "It gets the children of NODE to be displayed "15 (let (( children ( node-sub-trees node )))16 (when children17 (if ( leaf-p children ) (list children )18 children ))))1920 ;;; induce2122 ( defun gui-induce (data interface )23 "It induces the decisicion tree and displays it in the INTERFACE "24 ( declare ( ignore data ))25 (setf * current-tree * ( induce ))26 ( display-tree ( make-tree * current-tree *)27 interface ))



Función principal

1 ( defun gui ()2 ( reset )3 ( display ( make-instance ’cl-id3-gui )))


Filtrado colaborativo Introducción

Amazon, Reddit & Co.

I La idea es usar las preferencias de los usuarios, para darrecomendaciones a otros usuarios.

I Ejemplo: Amazon, Netflix, iTunes Store, Reddit, etc.

I Seguiremos la presentación de Seagaran [6].


Filtrado colaborativo Introducción

Filtrado Colaborativo

I Se trata de encontrar usuarios con gustos afines y usar suspreferencias para emitir recomendaciones.

I El término fue acuñado en Xerox PARC, ¿Donde más?, en 1992por Goldberg y col. [1].


Filtrado colaborativo Representación

Preferencias

I Asumamos 7 críticos para 5 películas.I La escala de calificación va de 0 a 5.

Película Rose Seymour Phillips Puig LaSalle Mathews TobyLady in Water 2.5 3.0 2.5 - 3.0 3.0 -Snakes on Plane 3.5 3.5 3.0 3.5 4.0 4.0 4.5Just my Luck 3.0 1.5 - 3.0 2.0 - -Superman returns 3.5 5.0 3.5 4.0 3.0 5.0 4.0The Night Listener 3.0 3.0 4.0 4.5 3.0 3.0 -You, Me and Dupree 2.5 3.5 - 2.5 2.0 3.5 3.5

I Observen que no todos los críticos revisan todas la películas.



Representando preferencias

I Usaremos listas de propiedades:1 ( defvar * critics *2 ’((: critic "Lisa Rose"3 : critics (("Lady in the Water " 2.5)4 (" Snakes on a Plane " 3.5)5 ("Just My Luck" 3.0)6 (" Superman Returns " 3.5)7 ("You , Me and Dupree " 2.5)8 ("The Night Listener " 3.0)))9 (: critic "Gene Seymour "

10 : critics (("Lady in the Water " 3.0)11 (" Snakes on a Plane " 3.5)12 ("Just My Luck" 1.5)13 (" Superman Returns " 5.0)14 ("The Night Listener " 3.0)15 ("You , Me and Dupree " 3.5)))16 ...)



Funciones de acceso

1 ( defun get-critic ( critic )2 (find critic * critics *3 :test #’( lambda (name reg)4 ( string = name (getf reg : critic )))))5

6 ( defun get-film-rating ( critic film)7 (cadr (find film (getf ( get-critic critic ) : critics )8 :test #’( lambda (film reg)9 ( string = film (car reg ))))))

10

11 ( defun get-films-rated-by ( person )12 ( mapcar #’car ( fourth ( get-critic person ))))



Ejemplos de uso

1 CL-USER > ( get-critic "Toby")2 (: CRITIC "Toby" : CRITICS ((" Snakes on a Plane " 4.5) (" Superman Returns " 4.0)3 ("You , Me and Dupree " 1.0)))4 CL-USER > ( get-film-rating "Toby" " Superman Returns ")5 4.06 CL-USER > ( get-films-rated-by "Toby")7 (" Snakes on a Plane " " Superman Returns " "You , Me and Dupree ")



Productos en común

1 ( defun shared-items ( critic1 critic2 )2 ( intersection ( get-films-rated-by critic1 )3 ( get-films-rated-by critic2 )4 :test #’ string = ))

1 CL -USER > (shared -items "Toby" "Lisa Rose ")2 (" Snakes on a Plane" " Superman Returns " "You , Me and Dupree ")


Filtrado colaborativo Usuarios similares

Distancia Euclidiana y Espacio de Preferencias

I dist((x1, y1)(x2, y2)) =√

(x1 − x2)2 + (y1 − y2)2

I Normalizaremos la distancia en [0, . . . , 1].



Computando

1 ( defun sim-euclidean ( person1 person2 )2 "1 means identical preferences , 0 the opposite "3 (let (( shared ( shared-items person1 person2 )))4 (if (null shared )5 06 (/ 17 (+ 18 (sqrt (loop for film in shared sum9 (sqr (- ( get-film-rating person1 film)

10 ( get-film-rating person2 film ))))))))))1112 ( defun sqr (x) (* x x))

1 CL -USER > (sim - euclidean "Lisa Rose" "Gene Seymour ")2 0.294298053 CL -USER > (sim - euclidean "Lisa Rose" " Claudia Puig ")4 0.38742587

Puig tiene preferencias más cercanas a las de Rose que Seymour.



Correlación de Pearson

I rxy = n∑

xi yi−∑

xi∑

yi√n

∑x2

i −(∑

xi )2√

n∑

y2i −(

∑yi )2

12 | Chapter 2: Making Recommendations

You can also see a straight line on the chart. This is called the best-fit line because itcomes as close to all the items on the chart as possible. If the two critics had identi-cal ratings for every movie, this line would be diagonal and would touch every itemin the chart, giving a perfect correlation score of 1. In the case illustrated, the criticsdisagree on a few movies, so the correlation score is about 0.4. Figure 2-3 shows anexample of a much higher correlation, one of about 0.75.

Figure 2-2. Comparing two movie critics on a scatter plot

Figure 2-3. Two critics with a high correlation score

Gene Seymour

Mick LaSalle

5

4

3

2

1

1 2 3 4 5

Just My Luck

Dupree Snakes

Superman

LadyNight Listener

Lisa Rose

Jack Matthews

5

4

3

2

1

1 2 3 4 5

Dupree

Snakes Superman

Night Listener

Lady

12 | Chapter 2: Making Recommendations

You can also see a straight line on the chart. This is called the best-fit line because itcomes as close to all the items on the chart as possible. If the two critics had identi-cal ratings for every movie, this line would be diagonal and would touch every itemin the chart, giving a perfect correlation score of 1. In the case illustrated, the criticsdisagree on a few movies, so the correlation score is about 0.4. Figure 2-3 shows anexample of a much higher correlation, one of about 0.75.

Figure 2-2. Comparing two movie critics on a scatter plot

Figure 2-3. Two critics with a high correlation score

Gene Seymour

Mick LaSalle

5

4

3

2

1

1 2 3 4 5

Just My Luck

Dupree Snakes

Superman

LadyNight Listener

Lisa Rose

Jack Matthews

5

4

3

2

1

1 2 3 4 5

Dupree

Snakes Superman

Night Listener

Lady

I Resuelve corrimientos en la escala.



Computando

1 ( defun sim-pearson ( person1 person2 )2 "1 means identical preferences , -1 the opposite "3 (let (( si ( shared-items person1 person2 )))4 (if (null si)5 06 (let* ((n ( length si ))7 ( prefs1 (loop for film in si collect8 ( get-film-rating person1 film )))9 ( prefs2 (loop for film in si collect

10 ( get-film-rating person2 film )))11 (sum1 (sum prefs1 ))12 (sum2 (sum prefs2 ))13 ( sum1sq (sum ( mapcar #’sqr prefs1 )))14 ( sum2sq (sum ( mapcar #’sqr prefs2 )))15 (psum (sum ( mapcar #’( lambda (x y) (* x y)) prefs1 prefs2 )))16 (num (- psum (/ (* sum1 sum2) n)))17 (den (sqrt (* (- sum1sq (/ (sqr sum1) n))18 (- sum2sq (/ (sqr sum2) n ))))))19 (if ( zerop den)20 121 (/ num den ))))))



Ejemplos

1 CL -USER > (sim - pearson "Lisa Rose" "Gene Seymour ")2 0.396059043 CL -USER > (sim - pearson "Mick LaSalle " "Gene Seymour ")4 0.41176485 CL -USER > (sim - pearson "Lisa Rose" "Jack Matthews ")6 0.74701745



Y el top de los críticos es...

1 ( defun top-matches ( person & optional (n 5) (sim #’ sim-pearson ))2 ( subseq (sort ( mapcar #’( lambda (c)3 (list c ( funcall sim person c)))4 ( get-other-critics person ))5 #’( lambda (x y) (> (cadr x) (cadr y))))6 0 n))7

8 ( defun get-other-critics ( critic )9 ( remove critic

10 ( mapcar #’( lambda (x) (getf x : critic ))11 * critics *)12 :test #’ string =))

1 CL -USER > (top - matches "Toby" 3)2 ((" Lisa Rose" 0.9912409) (" Mick LaSalle " 0.92447347)3 (" Claudia Puig" 0.8934049))


Filtrado colaborativo Recomendaciones

Emitiendo recomendaciones

1 ( defun get-recommendations ( person & optional ( similarity #’ sim-pearson ))2 (let* (( other-critics ( get-other-critics person ))3 ( films-not-seen ( set-difference4 ( reduce #’( lambda (x y)5 ( union x y :test #’ string =))6 ( mapcar #’ get-films-rated-by7 other-critics ))8 ( get-films-rated-by person )9 :test #’ string =)))

10 (sort11 (loop for film in films-not-seen collect12 (let* (( sim-sums 0)13 ( total ( apply #’+14 ( mapcar #’( lambda ( critic )15 (let (( rating16 ( get-film-rating critic film ))17 (sim18 ( funcall similarity person critic )))19 (if rating20 ( progn21 (setf sim-sums (+ sim-sums sim ))22 (* rating sim ))23 0)))24 other-critics ))))25 (list (/ total sim-sums ) film )))26 #’( lambda (x y) (> (car x ) (car y ))))))


Filtrado colaborativo Recomendaciones

Ejemplos

1 CL -USER > (get - recommendations "Toby ")2 ((3.1192015 "The Night Listener ") (3.0022347 "Lady in the Water ")3 (2.5309806 "Just My Luck "))


Filtrado colaborativo Productos similares

Invirtiendo la lista de preferencias

I Se trata de indexar ahora por película:1 ( defun transform-prefs ()2 " Inverts the dictionary * critics *, indexing it by film"3 (let* (( critics (loop for critic in * critics * collect4 (getf critic : critic )))5 ( films ( reduce #’( lambda (x y) ( union x y :test #’ string =))6 (loop for critic in critics collect7 ( get-films-rated-by critic )))))8 (loop for film in films collect9 (list : critic film

10 : critics ( remove-if #’( lambda (x) (null (cadr x)))11 ( mapcar #’( lambda (c)12 (list c ( get-film-rating c film )))13 critics ))))))



Transformación

I El diccionario luce ahora así:1 CL -USER > (transform - prefs )2 ((: CRITIC "Lady in the Water " : CRITICS ((" Lisa Rose" 2.5) (" Gene3 Seymour " 3.0) (" Michael Phillips " 2.5) (" Mick LaSalle " 3.0) (" Jack4 Matthews " 3.0))) (: CRITIC " Snakes on a Plane " : CRITICS ((" Lisa Rose"5 3.5) (" Gene Seymour " 3.5) (" Michael Phillips " 3.0) (" Claudia Puig"6 3.5) (" Mick LaSalle " 4.0) (" Jack Matthews " 4.0) (" Toby" 4.5)))7 (: CRITIC "Just My Luck" : CRITICS ((" Lisa Rose" 3.0) (" Gene Seymour "8 1.5) (" Claudia Puig" 3.0) (" Mick LaSalle " 2.0))) (: CRITIC " Superman9 Returns " : CRITICS ((" Lisa Rose" 3.5) (" Gene Seymour " 5.0) (" Michael

10 Phillips " 3.5) (" Claudia Puig" 4.0) (" Mick LaSalle " 3.0) (" Jack11 Matthews " 5.0) (" Toby" 4.0))) (: CRITIC "You , Me and Dupree " : CRITICS12 ((" Lisa Rose" 2.5) (" Gene Seymour " 3.5) (" Claudia Puig" 2.5) (" Mick13 LaSalle " 2.0) (" Jack Matthews " 3.5) (" Toby" 1.0))) (: CRITIC "The Night14 Listener " : CRITICS ((" Lisa Rose" 3.0) (" Gene Seymour " 3.0) (" Michael15 Phillips " 4.0) (" Claudia Puig" 4.5) (" Mick LaSalle " 3.0) (" Jack16 Matthews " 3.0))))

I Así podemos usar las funciones ya programadas.



Corrida

I ¿Qué películas se parecen a Superman Returns?1 CL -USER > (setf * critics * (transform - prefs ))2 ((: CRITIC "Lady in the Water " : CRITICS ((" Lisa Rose" 2.5) (" Gene3 Seymour " 3.0) (" Michael Phillips " 2.5) (" Mick LaSalle " 3.0) (" Jack4 Matthews " 3.0))) (: CRITIC " Snakes on a Plane " : CRITICS ((" Lisa Rose"5 3.5) (" Gene Seymour " 3.5) (" Michael Phillips " 3.0) (" Claudia Puig"6 3.5) (" Mick LaSalle " 4.0) (" Jack Matthews " 4.0) (" Toby" 4.5)))7 (: CRITIC "Just My Luck" : CRITICS ((" Lisa Rose" 3.0) (" Gene Seymour "8 1.5) (" Claudia Puig" 3.0) (" Mick LaSalle " 2.0))) (: CRITIC " Superman9 Returns " : CRITICS ((" Lisa Rose" 3.5) (" Gene Seymour " 5.0) (" Michael

10 Phillips " 3.5) (" Claudia Puig" 4.0) (" Mick LaSalle " 3.0) (" Jack11 Matthews " 5.0) (" Toby" 4.0))) (: CRITIC "You , Me and Dupree " : CRITICS12 ((" Lisa Rose" 2.5) (" Gene Seymour " 3.5) (" Claudia Puig" 2.5) (" Mick13 LaSalle " 2.0) (" Jack Matthews " 3.5) (" Toby" 1.0))) (: CRITIC "The Night14 Listener " : CRITICS ((" Lisa Rose" 3.0) (" Gene Seymour " 3.0) (" Michael15 Phillips " 4.0) (" Claudia Puig" 4.5) (" Mick LaSalle " 3.0) (" Jack16 Matthews " 3.0))))17 CL -USER > (top - matches " Superman Returns " 3)18 ((" You , Me and Dupree " 0.6579514) (" Lady in the Water " 0.48795068)19 (" Snakes on a Plane " 0.111803316))



Otra corrida

I ¿Quién recomienda Just My Luck?1 CL -USER > (get - recommendations "Just My Luck ")2 ((3.8716946 "Jack Matthews ") (2.9610002 "Toby ")3 (2.2872024 " Michael Phillips "))

I ¿Y The Night Listener?1 CL -USER > (get - recommendations "The Night Listener ")2 ((3.5313943 "Toby "))


Filtrado colaborativo Obteniendo datos(

Delicious?



Delicious API: Update

I Más información: http://delicious.com/developersI https://api.del.icio.us/v1/posts/update - Verifica cuando un

usuario llevo a cabo su última actualización


http://delicious.com/developers

https://api.del.icio.us/v1/posts/update


Delicious API: Posts

I https://api.del.icio.us/v1/posts/add? - Agrega un bookmark.I https://api.del.icio.us/v1/posts/delete? - Borra un bookmark.I https://api.del.icio.us/v1/posts/get? - Obtiene bookmark de una fecha, o un

objeto específico.I https://api.del.icio.us/v1/posts/recent? - Obtiene bookmarks recientes.I https://api.del.icio.us/v1/posts/dates?- Lista las fechas de los bookmarks.I https://api.del.icio.us/v1/posts/all? - Los bookmarks ordenados por fecha o

rango.I https://api.del.icio.us/v1/posts/all?hashes - Obtiene cambios.I https://api.del.icio.us/v1/posts/suggest - Recomendaciones para una URL dada.


https://api.del.icio.us/v1/posts/add?

https://api.del.icio.us/v1/posts/delete?

https://api.del.icio.us/v1/posts/get?

https://api.del.icio.us/v1/posts/recent?

https://api.del.icio.us/v1/posts/dates?

https://api.del.icio.us/v1/posts/all?

https://api.del.icio.us/v1/posts/all?hashes

https://api.del.icio.us/v1/posts/suggest


Delicious API: Tags y Tag bundles

I https://api.del.icio.us/v1/tags/get - Obtiene todos las etiquetas.I https://api.del.icio.us/v1/tags/delete? - Borra una etiqueta de todas las entradas.I https://api.del.icio.us/v1/tags/rename? - Renombra una etiqueta en todas las

entradas.I https://api.del.icio.us/v1/tags/bundles/all? - Obtiene un paquete de etiquetas.I https://api.del.icio.us/v1/tags/bundles/set? - Asigna un conjunto de etiquetas a

un paquete.I https://api.del.icio.us/v1/tags/bundles/delete? - Borra un paquete de etiquetas.


https://api.del.icio.us/v1/tags/get

https://api.del.icio.us/v1/tags/delete?

https://api.del.icio.us/v1/tags/rename?

https://api.del.icio.us/v1/tags/bundles/all?

https://api.del.icio.us/v1/tags/bundles/set?

https://api.del.icio.us/v1/tags/bundles/delete?


Otro paquete quicklisp: Drakma

1 CL -USER > ( drakma :http - request " https :// api.del.icio.us/v1/tags/get"2 :basic - authorization ’(" aguerrahdz " "***"))3 "<? xml version =\"1.0\" encoding =\" UTF -8\"? > < result code =\" no tags \"/ >"4 2005 ((: CONTENT -TYPE . "text/xml; charset =UTF -8") (: DATE . "Fri , 24 Feb6 2012 00:57:20 GMT ") (: SERVER . " nginx /1.0.11") (:SET - COOKIE7 . " deluser =\" U9ftoIH2xSGgZdLby47bIvYxHwUXaZYk0 + fm4GxP6A8fbhgPQDlk /0 S1S +9 VWA/ S9TCmsndu8Y2e / IAlSmXcMw \\075\\075\";8 Domain =. delicious .com; Max -Age =2592000; Path =/; expires =Sun ,9 25-Mar -2012 00:57:20

10 GMT , _user = aguerrahdz %203.2 %20 U9ftoIH2xSGgZdLby47bIvYxHwUXaZYk0 + fm4GxP6A8fbhgPQDlk /0 S1S +9 VWA/ S9TCmsndu8Y2e / IAlSmXcMw ;11 Domain =. delicious .com; Max -Age =2592000; Path =/; expires =Sun ,12 25-Mar -2012 00:57:20 GMT ") (: CONTENT - LENGTH . "62") (: CONNECTION13 . " Close "))14 #<PURI:URI https :// api.del.icio.us/v1/tags/get >15 #<FLEXI - STREAMS :FLEXI -IO - STREAM 200 B977F >16 T17 "OK"1819 CL -USER > ( drakma :http - request20 " https :// api.del.icio.us/v1/ posts / suggest ?url=http :// yahoo .com"21 :basic - authorization ’(" aguerrahdz " "***"))22 "<? xml version =\"1.0\" encoding =\" UTF -8\"? > < suggest >< popular23 tag =\" email \"/>< popular tag =\" yahoo \"/>< popular24 tag =\" search \"/>< recommended tag =\" news \"/>< recommended25 tag =\" searchengine \"/>< recommended tag =\" mail \"/>< recommended26 tag =\" games \"/>< recommended tag =\"e-mail \"/>< recommended27 tag =\" entertainment \"/>< recommended tag =\" engine \"/ > </ suggest >"28 20029 ...



En lugar de del.ici.ous

I https://www.themoviedb.orgI http://www.omdbapi.com


https://www.themoviedb.org

http://www.omdbapi.com


Referencias I

D Goldberg y col. “Using collaborative filtering to weave an information tapestry”. En:Communications of the ACM 35.12 (1992), págs. 61-71.

A Guerra-Hernández, CR de-la Mora-Basáñez y MA Jiménez-Montaño. “The significanceof nucleotides within DNA codons: a quantitative approach.”. En: Avances en la Cienciade la Computación: VI Encuentro Internacional de Computación ENC’05. Ed. porL Villaseñor-Pineda y A Martínez-García. Sociedad Mexicana de Ciencias de laComputación (SMCC). Puebla, Pue., México: Benemérita Universidad Autónoma dePuebla, 2005, págs. 167-169.

DA Mac Dónaill y M Manktelow. “Molecular informatics: quantifying informationpatterns in the genetic code”. En: Molecular Simulation 30.5 (2004), págs. 267-272.

T Mitchell. Machine Learning. Computer Science Series. Singapore: McGraw-HillInternational Editions, 1997.

JR Quinlan. “Induction of Decision Trees”. En: Machine Learning 1 (1986), págs. 81-106.

T Seagaran. Programming Collective Intelligence. Sebastopol, CA, USA 95472: O’ReillyMedia, 2008.



Referencias II

P Seibel. Practical Common Lisp. USA: Apress, 2005.


Programación para la Inteligencia Artificial - Lisp en la IA · Pirimidinas:TiminayCitosina Dr....

Documents

Transcript of Programación para la Inteligencia Artificial - Lisp en la IA · Pirimidinas:TiminayCitosina Dr....