Algoritmo J48, Prism, IBk, NaiveBayes, MLP

é um dos algoritmos mais utilizados na literatura, por ter mostrado ótimos resultados em problemas de classificação. Embora já tenha sido lançado o C5. o C4. possui código-fonte disponível, enquanto que o C5. é um software comercial;  O algoritmo C4.  O J48 é do tipo: o Guloso: executa sempre o melhor passo avaliado localmente, sem se preocupar se este passo, junto à sequência completa de passos, vai produzir a melhor solução ao final; o “Dividir para conquistar”: partindo da raiz, criam-se sub-árvores até chegar nas folhas, o que implica em uma divisão hierárquica em múltiplos subproblemas de decisão, os quais tendem a ser mais simples que o problema original. Algoritmo Prism O algoritmo Prism, de Centrowska [CEN 87], é um algoritmo para indução de regras modulares, possuindo muitas características empregadas no ID3.

Para cada regra é escolhida a melhor condição, de acordo com a heurística desejada, criando um subconjunto de treinamento que englobe esta condição. O próximo passo é identificar a melhor regra para o conjunto de instâncias que não são exemplos da primeira regra. Isto é feito removendo de S todas as instâncias que são cobertas pela regra. Assim como no método KNN, no método IBK existe uma função de similaridade que obtém um valor numérico obtido pelo cálculo da distância euclidiana. Então a classificação gerada para um padrão i será influenciada pelo resultado da classificação dos seus k-vizinhos mais próximos, pois padrões similares devem ter classificações similares [Aha et al. Witten e Frank 2005].

Algoritmo NaiveBayes É uma técnica de classificação baseado no teorema de Bayes com uma suposição de independência entre os preditores. Em termos simples, um classificador Naive Bayes assume que a presença de uma característica particular em uma classe não está relacionada com a presença de qualquer outro recurso. No primeiro, um padrão é apresentado às unidades da camada de entrada e, a partir desta camada as unidades calculam sua resposta que é produzida na camada de saída, o erro é calculado e o no segundo passo, este é propagado a partir da camada de saída até a camada de entrada, e os pesos das conexões das unidades das camadas internas vão sendo modificados utilizando a regra delta generalizada. Com isso o erro vai sendo progressivamente diminuído.

Depois que a rede estiver treinada e o erro estiver em um nível satisfatório, ela poderá ser utilizada como uma ferramenta para classificação de novos dados. Para isto, a rede deverá ser utilizada apenas no modo progressivo (feed-forward). Ou seja, novas entradas são apresentadas à camada de entrada, são processadas nas camadas intermediárias e os resultados são apresentados na camada de saída, como no treinamento, mas sem a retro propagação do erro.