Bài giảng Khai phá dữ liệu - Chương 5: Phân lớp dữ liệu - ThS. Nguyễn Vương Thịnh

Nội dung text: Bài giảng Khai phá dữ liệu - Chương 5: Phân lớp dữ liệu - ThS. Nguyễn Vương Thịnh

1. TRƯỜNG ĐẠI HỌC HÀNG HẢI VIỆT NAM KHOA CÔNG NGHỆ THÔNG TIN BÀI GIẢNG MÔN HỌC KHAI PHÁ DỮ LIỆU CHƯƠNG 5: PHÂN LỚP DỮ LIỆU Giảng viên: ThS. Nguyễn Vương Thịnh Bộ môn: Hệ thống thông tin Hải Phòng, 2013
2. Thông tin về giảng viên Họ và tên Nguyễn Vương Thịnh Đơn vị công tác Bộ môn Hệ thống thông tin – Khoa Công nghệ thông tin Học vị Thạc sỹ Chuyên ngành Hệ thống thông tin Cơ sở đào tạo Trường Đại học Công nghệ - Đại học Quốc Gia Hà Nội Năm tốt nghiệp 2012 Điện thoại 0983283791 Email thinhnv@vimaru.edu.vn Website cá nhân 2
3. Thông tin về học phần Tên học phần Khai phá dữ liệu Tên tiếng Anh Data Mining Mã học phần 17409 Số tín chỉ 03 tín chỉ Số tiết lý thuyết 39 tiết (13 tuần x 03 tiết/tuần) Số tiết thực hành 10 tiết (05 tuần x 02 tiết/tuần) Bộ môn phụ trách Hệ thống thông tin PHƯƠNG PHÁP HỌC TẬP, NGHIÊN CỨU ❖ Nghe giảng, thảo luận, trao đổi với giảng viên trên lớp. ❖ Tự nghiên cứu tài liệu và làm bài tập ở nhà. PHƯƠNG PHÁP ĐÁNH GIÁ ❖ SV phải tham dự ít nhất 75% thời gian. ❖ Có 02 bài kiểm tra viết giữa học phần (X = X2 = (L1 + L2)/2). ❖ Thi kết thúc học phần bằng hình thức trắc nghiệm khách quan 3 trên máy tính (Z = 0.5X + 0.5Y).
4. Tài liệu tham khảo 1. Jiawei Han and Micheline Kamber, Data Mining Concepts and Techniques, Elsevier Inc, 2006. 2. Ian H. Witten, Eibe Frank, Data Mining – Practical Machine Learning Tools and Techniques (the second edition), Elsevier Inc, 2005 (sử dụng kèm với công cụ Weka). 3. Elmasri, Navathe, Somayajulu, Gupta, Fundamentals of Database Systems (the 4th Edition), Pearson Education Inc, 2004. 4. Hà Quang Thụy, Phan Xuân Hiếu, Đoàn Sơn, Nguyễn Trí Thành, Nguyễn Thu Trang, Nguyễn Cẩm Tú, Giáo trình Khai phá dữ liệu Web, NXB Giáo dục, 2009 4
5. Công cụ phần mềm hỗ trợ Phần mềm Weka được phát triển bởi nhóm nghiên cứu của trường Đại học Waikato (New Zealand) từ năm 1999. Có thể download về tại địa chỉ: 6
6. CHƯƠNG 5: PHÂN LỚP DỮ LIỆU 5.1. KHÁI NIỆM VỀ PHÂN LỚP DỮ LIỆU 5.2. PHÂN LỚP DỰA TRÊN XÁC SUẤT CÓ ĐIỀU KIỆN (Phân lớp Bayes – Naive Bayesian Classification) 5.3. PHÂN LỚP DỰA TRÊN CÂY QUYẾT ĐỊNH 5.4. XÂY DỰNG MÔ HÌNH PHÂN LỚP VỚI WEKA 7
7. Cho tập các lớp C = {C1, C2, , Cm} và tập dữ liệu D = {X1, X2 , , Xn} Phân lớp dữ liệu là sự phân chia các đối tượng dữ liệu vào các lớp. Về bản chất đây quá trình ánh xạ mỗi đối tượng Xj ∈ D tương ứng với một lớp Ci ∈ C. X 1 C1 X 2 C2 X3 C3 . . . . . . Xn-1 Cm Xn D C 8 f: D → C hay c = f(X) (với X∈ D và c∈ C)
8.  Mỗi ánh xạ được gọi là một mô hình phân lớp (Classification Model). ⟹ Làm sao để xây dựng mô hình phân lớp? Thông qua quá trình huấn luyện dựa trên tập dữ liệu học (học có giám sát – supervised learning) 9
9. Xây dựng mô hình B1: Chọn một tập ví dụ mẫu (gồm các đối tượng đã được phân lớp): Dexam = D1 ∪ D2 ∪ ∪ Dm trong đó Di = {X|(X ∈ D)∧(X ⟶ Ci)} i=1, ,m B2: Tách Dexam thành 02 tập: ❖ Tập dữ liệu học Dtrain ❖ Tập dữ liệu kiểm tra Dtest Hiển nhiên Dexam = Dtrain ∪ Dtest và thường thì người ta tách sao cho: 2 1 DD= DD= train3 exam tes t3 exam B3: Dùng Dtrain để xây dựng mô hình (xác định tham số). Có nhiều loại mô hình phân lớp như: Bayes, cây quyết định, luật phân lớp, B4: Dùng Dtest để kiểm tra, đánh giá mô hình xây dựng được. B5: Chọn mô hình có chất lượng nhất. Sử dụng mô hình Cho X ∈ D (là tập dữ liệu chưa phân lớp) ⟹ Xác định lớp của X 10
10. 5.2.1. Xác suất có điều kiện và công thức Bayes  Gọi X là một bộ dữ liệu (data tuple). Theo ngôn ngữ xác suất, X được xem là một biến cố (evidence).  Gọi H là một giả thuyết (hypothesis): bộ X thuộc về lớp Ci. ⟹ Cần xác định P(H|X): xác suất xảy ra H khi đã xuất hiện X (hay xác suất để X thuộc về lớp Ci nếu như đã biết các thuộc tính của X). Nhãn phân lớp X được xác định thông qua tập giá trị của các thuộc tính 11
11. • P(H|X) là xác suất có điều kiện của H đối với X (xác xuất xảy ra H khi biết X xảy ra). Ví dụ: X = (age=35 years old, income=$40,000), H = (buy_computer=Yes) P(H|X) = P(by_computer=yes | age=35 years old, income=$40,000) ⟹ Xác suất để một người 35 tuổi có thu nhập $40,000 mua máy tính • P(X|H) là xác suất có điều kiện của X đối với H (xác suất xảy ra X khi biết H xảy ra). Ví dụ: P(X|H) = P(age=35 years old, income=$40,000|buy_computer=yes) ⟹ Xác suất để một người mua máy tính có độ tuổi là 35 và thu nhập là $40,000. • P(X) là xác suất tiên nghiệm của X. Ví dụ: P(X) = P(age=35 years old,income=$40,000) ⟹ Xác suất để tìm thấy trong tập dữ liệu đang xét một người có độ tuổi là 35 và thu nhập là $40,000. • P(H) là xác suất tiên nghiệm của H. Ví dụ: P(H) = P(buy_computer=Yes) ⟹ Xác suất mua máy tính của khách hàng nói chung (không quan tâm đến độ tuổi hay thu nhập) 12
12. Công thức Bayes: PXHPH( | ) ( ) PHX( | ) = PX() Thomas Bayes (1702 – 1761) 13
13. 5.2.2. Phân lớp dữ liệu dựa trên xác suất có điều kiện (phân lớp Bayes) Bộ phân lớp Bayes hoạt động như sau: 1. Cho D là tập dữ liệu học gồm các bộ và nhãn lớp tương ứng (đã được phân lớp). Mỗi bộ được biểu diễn bởi một vector n chiều X = (x1, x2, , xn) trong đó xi là giá trị tương ứng với thuộc tính Ai (i = 1, 2, , n). Tập Di = {X|(X ∈ D)∧(X ⟶ Ci)} là tập các bộ trong D thuộc về lớp Ci. 2. Giả sử có m lớp C1, C2, , Cm. Bộ X được dự đoán là thuộc về lớp Ci khi và chỉ khi: P(Ci|X) > P(Cj|X) với mọi j ≠ i và 1 ≤ j ≤ m (X thuộc về lớp mà xác suất có điều kiện khi biết X là lớn nhất) ⟹ Đi tìm lớp Ci trong số m lớp sao cho P(Ci|X) là lớn nhất. 3. P(X) là giống nhau với tất cả các lớp nên theo công thức Bayes thì P(Ci|X) lớn nhất tương ứng với tích P(X|Ci)P(Ci) lớn nhất ⟹ Đi tìm Ci sao cho tích P(X|Ci)P(Ci) là lớn nhất (i = 1, 2, , m). 4. Ta có thể tính: D PC()= i i D và nếu coi n thuộc tính của X là độc lập thì: n PXC( |i )== PxC ( k | i ) PxCPxC (12 | i ) ( | i ) PxC ( n | i ) k =1 X'| ( X '( Ak )= x k )  ( X ' D i ) 14 P( xki | C ) = Di
14. Chú ý: ❖ Nếu không tính được P(Ci ) thì có thể coi P(C1) = P(C2) = = P(Cm) và bài toán quy về tìm lớp Ci trong số m lớp sao cho P(X|Ci) có giá tri lớn nhất. ❖ Nếu tồn tại P(xk|Ci) = 0 thì có thể áp dụng hiệu chỉnh Lapace và công thức tính của P(xk|Ci) được hiệu chỉnh như sau: X'|('() X Ak= x k )('  X D i ) + 1 P( xki | C ) = Dqi + q: số giá trị khác nhau của Ak 15
15. Ví dụ: Cho tập dữ liệu học gồm các bộ dữ liệu đã được phân lớp như sau: Áp dụng phân lớp Bayes hãy dự đoán bộ dữ liệu 16 thuộc lớp nào?
16. Có 02 lớp dữ liệu tương ứng với buys_computer = yes và buys_computer = no Suy ra: Tương tự: 17 ⟹ X thuộc lớp dữ liệu tương ứng với buys_computer = yes
17. 5.3. PHÂN LỚP DỰA TRÊN CÂY QUYẾT ĐỊNH 5.3.1. Mô hình phân lớp cây quyết định  Cây quyết định (decision tree) là một mô hình phân lớp điển hình.  Cây quyết định bao gồm: ❖ Các nút trong: biểu diễn cho một thuộc tính được kiểm thử (test). ❖ Các nút lá: nhãn/mô tả của một lớp (class label). ❖ Nhánh: xuất phát từ một nút trong, phản ánh kết quả của một phép thử trên thuộc tính tương ứng. Married yes no Salary Acct Balance = 50K >= 5K >= 20K 5K = 25 fair risk 18 fair risk good risk
18.  Có thể dễ dàng chuyển đổi từ mô hình cây quyết định sang mô hình luật phân lớp bằng cách: đi từ nút gốc cho tới nút lá, mỗi đường đi tương ứng với một luật phân lớp. Married yes no Salary Acct Balance = 50K >= 5K >= 20K 5K = 25 fair risk fair risk good risk 1. If (Married = yes) And (Salary > 20K) Then Class = poor risk 2. If (Married = yes) And (50K > Salary >= 20K) Then Class = fair risk 3. If (Married = yes) And (Salary >= 50K) Then Class = good risk 4. If (Married = no) And (Acct Balance = 5K) And (Age = 5K) And (Age >= 25) Then Class = good risk
19. Married yes no Salary Acct Balance = 50K >= 5K >= 20K 5K = 25 fair risk fair risk good risk Name Age Married Salary Acct Class Name Age Married Salary Acct Class Balance Balance Alice 19 yes 30K 6K ? Alice 19 yes 30K 6K fair risk Pike 28 no 60K 7K ? Pike 28 no 60K 7K good risk Tom 35 yes 10K 10K ? Tom 35 yes 10K 10K poor risk Peter 24 no 20K 8K ? Peter 24 no 20K 8K fair risk Lucas 40 no 20K 3K ? Lucas 40 no 20K 3K poor risk 20
20. 5.3.2. Các độ đo sử dụng trong phân lớp A. Entropy của tập dữ liệu Là lượng thông tin cần để phân loại một phần tử trong tập dữ liệu D. Ký hiệu là Infor(D). Gọi: pi: xác suất để một phần tử bất kỳ trong D thuộc về lớp Ci (i=1, 2, , m). Di: Tập các phần tử trong D thuộc về lớp Ci. D p = i i D m Infor( D )=− pii log2 p i=1 Claude Elwood Shannon 21 (1916 – 2001)
21. B. Entropy của dữ liệu ứng với một thuộc tính Là lượng thông tin cần để phân loại một phần tử trong tập dữ liệu D dựa trên thuộc tính A. Ký hiệu là InforA (D). ❖ Thuộc tính A dùng để phân tách D thành v phân hoạch (tập con) là D1, D2, , Dv. ❖ Mỗi phân hoạch Dj có |Dj| phần tử. ❖ Lượng thông tin này sẽ cho biết mức độ trùng lặp giữa các phân hoạch, nghĩa là một phân hoạchchứa các phần tử từ một hay nhiều lớp khác nhau. ⟹ Mong đợi: InforA(D) càng nhỏ càng tốt. v Dj InforAj()() D=  Infor D j=1 D 22
22. C. Độ lợi thông tin (Information Gain)  Mục tiêu: Tối thiểu hóa lượng thông tin cần thiết để phân lớp các các mẫu dữ liệu (tối thiểu hóa số lượng các điều kiện kiểm tra cần thiết để phân lớp một bản ghi mới). Độ lợi thông tin ứng với thuộc tính A (ký hiệu Gain(A)) chính là độ sai biệt giữa Entropy ban đầu của tập dữ liệu (trước phân hoạch) và Entropy của dữ liệu ứng với thuộc tính A (sau khi phân hoạch bởi A). Gain()()-() A= Infor D InforA D 23
23. 5.3.3. Giải thuật ID3 xây dựng cây quyết định Input: Tập dữ liệu học Records gồm m đối tượng (bản ghi) R1, R2, , Rm. Tập thuộc tính Attributes gồm m thuộc tính A1, A2, , An. Output: Mô hình cây quyết định. procedure Build_tree(Records, Attributes) begin Tạo nút N; if (tất cả các bản ghi thuộc về một lớp Ci nào đó) then begin N.Label = Ci; return N; end; if (Attributes = ⍉) then begin Tìm lớp Cj mà phần lớn các bản ghi r ∈ Records thuộc về lớp đó. N.Label = Cj; return N; end; Chọn Ai ∈ Attribute sao cho Gain(Ai)→max; N.Label = Ai; for each giá trị vi đã biết của Ai do begin Thêm một nhánh mới vào nút N ứng với Ai = vj ; Sj = Tập con của Records có Ai = vj; if (Sj = ⍉) then Thêm một nút lá L với nhãn là lớp mà phần lớn các bản ghi r ∈ Records thuộc về lớp đó; Return L; else Thêm vào nút được trả về bởi Build_Tree(Sj, Attribute \{Ai}); end ; 24 end;
24. Phương pháp lựa chọn thuộc tính Dùng heuristic để chọn tiêu chí rẽ nhánh tại một nút: Phân hoạch tập dữ liệu học D thành các phân hoạch con với các nhãn phù hợp: • Xếp hạng mỗi thuộc tính. • Thuộc tính được chọn để rẽ nhánh là thuộc tính có trị số điểm (score) là lớn nhất. • Độ đo để chọn thuộc tính phân tách (splitting attribute) là Information Gain (được xây dựng dựa trên lý thuyết thông tin của Claude Elwood Shannon). Cụ thể: Thuộc tính có giá trị Information Gain lớn nhất sẽ được chọn làm thuộc tính phân nhánh cho nút N. ❖ Nút N là nút hiện tại cần phân hoạch các phần tử trong D. ❖ Thuộc tính phân hoạch đảm bảo sự trùng lắp ngẫu nhiên ít nhất giữa các phân hoạch tạo được. ⟹ Giúp tối thiểu số phép thử (test) cần để phân loại một phần tử. 25
25. Ví dụ: Cho tập dữ liệu học: Tính toán tương tự: ⟹ Chọn age là thuộc tính phân tách 27
26. 5.4. XÂY DỰNG MÔ HÌNH PHÂN LỚP VỚI WEKA Khởi động phần mềm Weka, chọn Explorer: 29
27. Chọn tập tin dữ liệu sử dụng 30
28. Tập dữ liệu mẫu 31
29. Sử dụng luôn tập dữ liệu học đưa vào để kiểm tra mô hình Lựa chọn Thuật toán phân lớp Sử dụng được sử dụng (chọn thuật toán ID3) tập dữ liệu khác để kiểm Cây quyết định tra mô xây dựng hình được Sử dụng một số % dữ liệu đưa vào để học và sử dụng phần Chỉ định thuộc tính còn lại (nhãn) phân lớp để kiểm tra mô hình 32
30. Outlook Sunny Overcast Rainy Humidity YES Windy High Normal True False NO YES NO YES 33
31. Q & A 34