Un sistema per l'apprendimento di modelli predittivi in reti di sensori

Gli alberi multi-target sono alberi i cui modelli alle foglie riguardano diverse variabili che debbono essere predette contemporaneamente. Tale modello include una classe nel caso di attributi discreti, una costante numerica nel caso di attributi continui: in ogni caso una predizione per ogni variabile. Sebbene i modelli riguardino variabili diverse, il partizionamento ricorsivo del training set è guidato da una euristica che sintetizza l'errore cumulato (somma degli errori) per tutti gli attributi. In definitiva, di volta in volta si sceglie lo split che minimizza la stima dell'errore cumulativo. Gli alberi così costruiti, hanno una struttura con nodi di split che segmentano lo spazio lungo le coordinate spaziali e nodi foglia che includono un modello per ciascuna variabile risposta. La costruzione dell'albero procede dall'alto verso il basso (top-down), attraverso una ricerca euristica del miglior test iterata finché un qualche criterio di stop non è soddisfatto. Classificazione e regressione sono problemi ben noti in data mining. Lo scopo è apprendere un modello di predizione da utilizzare nella classificazione/regressione di dati. Modelli ad albero sono ben noti modelli di classificazione e regressione. Descrivono un partizionamento dello spazio di ricerca e associano un modello di predizione (classe e costante numerica) ad ogni partizione. Per ogni esempio la cui classe è sconosciuta, si determina la partizione in cui l'esempio ricade e si usa il modello ad esso associato per effettuare la predizione. Recentemente sono stati definiti algoritmi per l'induzione di alberi di classificazione/regressione multi-target: la variabili da predire possono essere una o molte. Tuttavia le soluzioni esistenti né considerano la dimensione spaziale e/o temporale dei dati, né si affrontano problemi di predizione generali in cui le variabili da predire sono sia categoriche (classificazione) sia numeriche (regressione).