Bài giảng Trí tuệ nhân tạo - Chương 9: Học Máy - Trần Ngân Bình

Nội dung text: Bài giảng Trí tuệ nhân tạo - Chương 9: Học Máy - Trần Ngân Bình

1. Chương 9 Học Máy Chương 9. p.1
2. Học Máy (Machine Learning) ◼ Học (learning) là bất cứ sự thay đổi nào trong một hệ thống cho phép nó tiến hành tốt hơn trong lần thứ hai khi lặp lại cùng một nhiệm vụ hoặc với nhiệm vụ khác từ cùng một quần thể đó. (Herbert Simon) ◼ Học liên quan đến vấn đề khái quát hóa từ kinh nghiệm (dữ liệu rèn luyện) => bài toán quy nạp (induction) ◼ Vì dữ liệu rèn luyện thường hạn chế, nên thường khái quát hóa theo một số khía cạnh nào đó (heuristic) => tính thiên lệch quy nạp (inductive bias) ◼ Có ba tiếp cận học: – Các phương pháp học dựa trên ký hiệu (symbol-based): ID3 – Tiếp cận kết nối: Các mạng neuron sinh học – Tiếp cận di truyền hay tiến hóa: giải thuật genetic Chương 9. p.2
3. Cây quyết định (ID3) ◼ Là một giải thuật học đơn giản nhưng thành công ◼ Cây quyết định (QĐ) là một cách biểu diễn cho phép chúng ta xác định phân loại của một đối tượng bằng cách kiểm tra giá trị của một số thuộc tính. ◼ Giải thuật có: – Đầu vào: Một đối tượng hay một tập hợp các thuộc tính mô tả một tình huống – Đầu ra: thường là quyết định yes/no, hoặc các phân loại. ◼ Trong cây quyết định: – Mỗi nút trong biểu diễn một sự kiểm tra trên một thuộc tính nào đó, mỗi giá trị có thể của nó tương đương với một nhánh của cây – Các nút lá thể hiện sự phân loại. ◼ Kích cỡ của cây QĐ tùy thuộc vào thứ tự của các kiểm tra trên các thuộc tính. Chương 9. p.3
4. Ví dụ Cây QĐ: Chơi Tennis ◼ Mục đích: học để xem có chơi Tennis không? ◼ Cây quyết định: Quang cảnh nắng Âm u mưa Độ ẩm Yes Gió cao Trung bình mạnh nhẹ No Yes No Yes Chương 9. p.4
5. Quy nạp cây QĐ từ các ví dụ ◼ Ví dụ (hay dữ liệu rèn luyện cho hệ thống) gồm: Giá trị của các thuộc tính + Phân loại của ví dụ Ngày Quang cảnh Nhiệt độ Độ ẩm Gió Chơi Tennis D1 Nắng Nóng Cao nhẹ Không D2 Nắng Nóng Cao Mạnh Không D3 Âm u Nóng Cao Nhẹ Có D4 Mưa ấm áp Cao nhẹ Có D5 Mưa Mát TB nhẹ Có D6 Mưa Mát TB Mạnh Không D7 Âm u Mát TB Mạnh Có D8 Nắng ấm áp Cao nhẹ Không D9 Nắng Mát TB nhẹ Có D10 Mưa ấm áp TB nhẹ Có D11 Nắng ấm áp TB Mạnh Có D12 Âm u ấm áp Cao Mạnh Có D13 Âm u Nóng TB nhẹ Có D14 Mưa ấm áp Cao Mạnh không Chương 9. p.5
6. Làm sao để học được cây QĐ ◼ Tiếp cận đơn giản – Học một cây mà có một lá cho mỗi ví dụ. – Học thuộc lòng một cách hoàn toàn các ví dụ. – Có thể sẽ không thực hiện tốt trong các trường hợp khác. ◼ Tiếp cận tốt hơn: – Học một cây nhỏ nhưng chính xác phù hợp với các ví dụ – Occam’s razor – cái đơn giản thường là cái tốt nhất! Giả thuyết có khả năng nhất là giả thuyết đơn giản nhất thống nhất với tất cả các quan sát. Chương 9. p.6
7. Xây dựng cây QĐ: Trên - xuống Vòng lặp chính: 1. A <- thuộc tính quyết định tốt nhất cho nút kế 2. Gán A là thuộc tính quyết định cho nút 3. Với mỗi giá trị của A, tạo một nút con mới cho nút 4. Sắp xếp các ví dụ vào các nút lá 5. If các ví dụ đã được phân loại đúng, dừng ctr; Else lặp lại trên mỗi nút lá mới Để phân loại một trường hợp, có khi cây QĐ không cần sử dụng tất cả các thuộc tính đã cho, mặc dù nó vẩn phân loại đúng tất cả các ví dụ. Chương 9. p.7
8. Các khả năng có thể của nút con ◼ Các ví dụ có cả âm và dương: – Tách một lần nữa ◼ Tất cả các ví dụ còn lại đều âm hoặc đều dương – trả về cây quyết định ◼ Không còn ví dụ nào – trả về mặc nhiên ◼ Không còn thuộc tính nào (nhiễu) – Quyết định dựa trên một luật nào đó (luật đa số) Chương 9. p.8
9. +: D3, D4, D5, D7, D9, D10, D11, D12, D13 -: D1, D2, D6, D8, D14 Quang cảnh? Nắng Âm u Mưa +: D9, D11 +: D3, D7, D12, D13 +: D4, D5, D10 -: D1, D2, D8 -: -: D6, D14 +: D3, D4, D5, D7, D9, D10, D11, D12, D13 -: D1, D2, D6, D8, D14 Độ ẩm? Cao Trung bình +: D3, D4, D12 +: D5, D9, D10, D11, D13 -: D1, D2, D8, D14 -: D6 Chương 9. p.9
10. +: D3, D4, D5, D7, D9, D10, D11, D12, D13 -: D1, D2, D6, D8, D14 Quang cảnh? Nắng Âm u Mưa +: D9, D11 +: D3, D7, D12, D13 +: D4, D5, D10 -: D1, D2, D8 -: -: D6, D14 Độ ẩm? Yes Gió? Mạnh Cao TB Nhẹ +: +: D9, D11 +: +: D4, D5, D10 -: D1, D2, D8 -: -: D6, D14 -: No Yes No Yes Chương 9. p.10
11. ID3 xây dựng cây QĐ theo giải thuật sau: Chương 9. p.11
12. Đánh giá hiệu suất ◼ Chúng ta muốn có một cây QĐ có thể phân loại đúng một ví dụ mà nó chưa từng thấy qua. ◼ Việc học sử dụng một “tập rèn luyện” (traning set), và ◼ Việc đánh giá hiệu suất sử dụng một “tập kiểm tra” (test set): 1. Thu thập một tập hợp lớn các ví dụ 2. Chia thành tập rèn luyện và tập kiểm tra 3. Sử dụng giải thuật và tập rèn luyện để xây dựng giả thuyết h (cây QĐ) 4. Đo phần trăm tập kiểm tra được phân loại đúng bởi h 5. Lặp lại bước 1 đến 4 cho các kích cỡ tập kiểm tra khác nhau được chọn một cách nhẫu nhiên. Chương 9. p.12
13. Sử dụng lý thuyết thông tin ◼ Chúng ta muốn chọn các thuộc tính có thể giảm thiểu chiều sâu của cây QĐ. ◼ Thuộc tính tốt nhất: chia các ví dụ vào các tập hợp chứa toàn ví dụ âm hoặc ví dụ dương. ◼ Chúng ta cần một phép đo để xác định thuộc tính nào cho khả năng chia tốt hơn. Thuộc tính nào tốt hơn? [29+, 36-] A1 = ? [29+, 36-] A2 = ? [21+, 6-] [8+, 30-] [18+, 34-] [11+,2-] Chương 9. p.13
14. Entropy ◼ Entropy(S) = số lượng mong đợi các bit cần thiết để mã hóa một lớp (+ hay – ) của một thành viên rút ra một cách ngẫu nhiên từ S (trong trường hợp tối ưu, mã có độ dài ngắn nhất). ◼ Theo lý thuyết thông tin: mã có độ dài tối ưu là mã gán –log2p bits cho thông điệp có xác suất là p. • S là một tập rèn luyện • p là phần các ví dụ dương trong tập S • p là phần các ví dụ âm trong tập S • Entropy đo độ pha trộn của tập S: Entropy(S) = −p log 2 p − p log 2 p c Entropy(S) =  − pi log 2 pi i=1 Chương 9. p.14
15. Lượng thông tin thu được Information Gain ◼ Gain(S, A) = Lượng giảm entropy mong đợi qua việc chia các ví dụ theo thuộc tính A | Sv | Gain(S, A) = Entropy(S) −  Entropy(Sv ) v Values( A) | S | [29+, 36-] A1 = ? [29+, 36-] A2 = ? [21+, 6-] [8+, 30-] [18+, 34-] [11+,2-] Chương 9. p.15
16. Chọn thuộc tính kế tiếp S: [9+,5 – ] S: [9+,5 – ] E = 0.940 E = 0.940 Độ ẩm Gió Cao TB Nhẹ Mạnh [3+,4 – ] [6+,1 – ] [6+,2 – ] [3+,3 – ] E = 0.985 E = 0.592 E = 0.811 E = 1.0 Gain(S, Độ ẩm) Gain(S, Gió) = .940 – (7/14).985 – (7/14).592 = .940 – (8/14).811 – (6/14)1.0 = .151 = .048 Chương 9. p.16
17. Tìm kiếm KG giả thuyết trong ID3 (1) ◼ KG giả thuyết đầy đủ =>giả thuyết chắc chắn thuộc KG này ◼ Đầu ra là một giả thuyết (cây QĐ) =>Cây nào? Không thể chọn cây với 20 câu hỏi ◼ Không quay lui => cực tiểu địa phương ◼ Lựa chọn tìm kiếm dựa trên thống kê => chịu được dữ liệu nhiễu ◼ Thiên lệch quy nạp: thích cây ngắn hơn. Chương 9. p.17
18. Chuyển cây về thành các luật Quang cảnh nắng Âm u mưa Độ ẩm Yes Gió cao Trung bình mạnh nhẹ No Yes No Yes If (Quang-cảnh =nắng)  (Độ ẩm = Cao) Then Chơi-Tennis = No If (Quang-cảnh =nắng)  (Độ ẩm = TB) Then Chơi-Tennis = Yes If (Quang-cảnh =Âm u) Then Chơi-Tennis = Yes Chương 9. p.18
19. Khi nào nên sử dụng cây QĐ ◼ Các ví dụ được mô tả bằng các cặp “thuộc tính – giá trị”, vd: Gió - mạnh, Gió - nhẹ ◼ Kết quả phân loại là các giá trị rời rạc, vd: Yes, No ◼ Dữ liệu rèn luyện có thể chứa lỗi (bị nhiễu) ◼ Dữ liệu rèn luyện có thể thiếu giá trị thuộc tính Ví dụ: ◼ Phân loại bệnh nhân theo các bệnh của họ ◼ Phân loại hỏng hóc thiết bị theo nguyên nhân ◼ Phân loại người vay tiền theo khả năng chi trả Chương 9. p.19
20. Table 13.1: Data from credit history of loan applications. ước lượng độ an toàn của một tài tài một của toàn độ an lượng ước khoản tín dụng tín khoản Ví Ví dụ: Chương 9. p.20
21. Figure 13.13: Một cây QĐ cho bài toán đánh giá độ an toàn của tín dụng. Chương 9. p.21
22. Figure 13.14: Một cây QĐ đơn giản hơn. Chương 9. p.22
23. Figure 13.15: Một cây QĐ đang xây dựng. Figure 13.16: Một cây QĐ khác đang xây dựng. Chương 9. p.23
24. Neural Networks ◼ Ngược lại với các mô hình dựa trên ký hiệu: Không chú trọng việc sử dụng các ký hiệu một cách tường minh để giải quyết vấn đề. ◼ Ý tưởng dựa trên các hệ não: Xem trí tuệ là sự phát sinh từ các hệ thống gồm những thành phần đơn giản (neuron), tương tác với nhau thông qua một quá trình học hoặc thích nghi mà ở đó các kết nối giữa các thành phần được điều chỉnh. ◼ Gặt hái rất nhiều thành công trong những năm gần đây. ◼ Từ đồng nghĩa: – Tính toán neural (neural computing) – Các mạng neural (neural networks) – Các hệ kết nối (connectionist system) – Các hệ xử lý phân tán song song (parallel distributed processing) Chương 9. p.24
25. Neuron nhân tạo ◼ Thành phần cơ bản của mạng neuron là một neuron nhân tạo. ◼ Các thành phần của một neuron nhân tạo: – Các tín hiệu vào xi {0,1} {1,-1} real – Các trọng số wi real – Một mức kích hoạt ∑i wixi – Một hàm ngưỡng f : ∑i wixi → tín hiệu ra Chương 9. p.25
26. Neural Networks ◼ Các thuộc tính tổng quát của một mạng là: – Hình thái mạng: mẫu kết nối giữa (các tầng của) các neuron. – Giải thuật học: cách điều chỉnh các trọng số trong quá trình xử lý tập dữ liệu rèn luyện – Cơ chế mã hóa: sự thông dịch của các tín hiệu vào và tín hiệu ra w11 I 1 H1 w12 w11 I 1 H O1 1 O1 I2 w12 H2 I2 I3 wi j Chương 9. p.26
27. Ví dụ: Neuron McCulloch-Pitts Các neurron dùng để tính các hàm logic and và or Chương 9. p.27
28. Học Perceptron ◼ Mạng neuron đơn tầng f(net) ◼ Các giá trị vào 1 hoặc -1 net = ∑ w x ◼ Các trọng số kiểu thực t i i i ◼ Mức kích hoạt ∑i wixi ◼ Hàm ngưỡng giới hạn cứng f : 1 if ∑i wixi >= t -1 if ∑i wixi < t ◼ Điều chỉnh trọng số: ∆wi = c(d-f(∑i wixi)) xi c: hằng số chỉ tốc độ học d: đầu ra mong muốn Nếu kết quả thực và kết quả mong muốn giống nhau, không làm gì Nếu kết quả thực là -1 và kết quả mong muốn là 1, tăng trọng số của đường thứ i lên 2cxi Nếu kết quả thực là 1 và kết quả mong muốn là -1, giảm trọng số của đường thứ i xuống 2cxi Chương 9. p.28
29. Phân loại của các hệ thống Học ◼ Học có sự hướng dẫn (Supervised learning) – Cho hệ thống một tập các ví dụ và một câu trả lời cho mỗi ví dụ. – Rèn luyện hệ thống cho đến khi nó có thể đưa ra câu trả lời đúng cho các ví dụ này. ◼ Học không có sự hướng dẫn (Unsupervised learning) – Cho hệ thống một tập hợp các ví dụ và cho nó tự khám phá các mẫu thích hợp trong các ví dụ. Mạng neuron sử dụng một hình thức học có sự hướng dẫn Chương 9. p.29
30. Sử dụng perceptron trong bài toán phân loại Fig 14-4: Một hệ thống phân loại đầy đủ Chương 9. p.30
31. Ví dụ Perceptron ◼ Cho trước: một tập các dữ liệu vào ◼ Yêu cầu: rèn luyện perceptron sao cho nó phân loại các đầu vào một cách đúng đắn Chương 9. p.31
32. Ví dụ Perceptron: giải pháp ◼ 2 tín hiệu vào x1 x2 ◼ Một tín hiệu vào thứ ba được sử dụng như một thiên vị và có giá trị cố định bằng 1, cho phép dịch chuyển đường phân cách ◼ Mức kích hoạt: w1x1 + w2x2 + w3 ◼ Hàm ngưỡng: hàm dấu, >0 = +1, <0 = -1 đây là ngưỡng giới hạn cứng tuyến tính hai cực ◼ Các trọng số: được khởi tạo ngẫu nhiên, cập nhật 10 lần, với tốc độ học là 0.2 ◼ Kết quả: -1.3x1 + -1.1x2 + 10.9 = 0 Chương 9. p.32
33. Tính tách rời tuyến tính (linearly seperatable) ◼ Trong một không gian n chiều, một sự phân loại mang tính tuyến tính nếu các lớp của nó có thể được tách rời bởi một mặt n-1 chiều. ◼ Perceptron không thể giải quyết các bài toán phân loại không tách rời tuyến tính. – Ví dụ: bài toán X-OR Chương 9. p.33
34. Luật Delta Tổng quát hóa perceptron bằng cách: 1. Thay thế hàm ngưỡng giới hạn cứng bằng các hàm kích hoạt khác có khả năng lấy vi phân Ví dụ: một hàm kích hoạt sigmoidal -*net f(net) = 1/(1 + e ) với net = ∑i wixi f ’(net) = f(net) * (1- f(net)) 2. Sử dụng luật delta để điều chỉnh trọng số trên đầu vào thứ k của nút thứ i f’: đạo hàm bậc nhất ∆w = c(di – Oi) f’(neti)xk c: tốc độ học d : đầu ra mong muốn = c(di – Oi) Oi (1 – Oi) xk i Oi: đầu ra thật sự Chương 9. p.34
35. Lan truyền ngược (backpropagation) ◼ Tại các nút của các mạng đa tầng, lỗi mà một nút phải chịu trách nhiệm cũng phải được chia phần cho các nút ở tầng ẩn và các trọng số phải được điều chỉnh một cách phù hợp. ◼ Giải thuật lan truyền ngược bắt đầu tại tầng ra và truyền các lỗi ngược về xuyên qua các tầng ẩn. Luật delta tổng quát để điều chỉnh trọng số của đầu vào thứ k của nút thứ i: ∆wk = c(di – Oi) Oi (1 – Oi) xk cho nút ở tầng ra ∆wk = c ∑j (deltaj wij) Oi (1 – Oi) xk cho nút ở tầng ẩn với deltaj = (dj – Oj) Oj (1 – Oj) j chạy trên các nút của tầng kế tiếp mà tại đó nút i truyền các đầu ra của nó. Chương 9. p.35
36. Chương 9. p.36
37. Ví dụ mạng Neuron: NETtalk ◼ Vấn đề: phát âm văn bản tiếng Anh đúng ◼ Đầu vào: một chuỗi ◼ Đầu ra: âm vị và trọng âm kèm theo cho mỗi ký tự ◼ Giải pháp: ◼ Kết quả thực nghiệm: đúng 60% sau khi rèn luyện với 500 ví dụ (100 lượt) càng nhiều ví dụ rèn luyện => kết quả càng tốt Chương 9. p.37
38. Figure 10.12: A backpropagation net to solve the exclusive-or problem. The Wij are the weights and H is the hidden node. Sử dụng 4 mẫu ví dụ để luyện tập: (0,0) -> 0; (1,0) ->1; (0,1) -> 1; (1,1) ->0 Sau 1400 lượt: WH1 = -7.0 WHB = 2.6 WO1 = -5.0 WH2 = -7.0 WOB = 7.0 WO2 = -4.0 WHO = -11.0 Chương 9. p.38
39. Các vấn đề liên quan khi sử dụng Neural Networks ◼ Các mạng đa tầng là đầy đủ về mặt tính toán, tuy nhiên: – Làm sao để chọn số nút ẩn và số tầng ẩn – Khi nào sử dụng các nút thiên lệch – Cách chọn một tập rèn luyện – Điều chỉnh các trọng số hay tốc độ học nên n.t.n? – Chương 9. p.39
40. Giải thuật Genetic ◼ Nắm bắt ý tưởng từ thuyết tiến hóa ◼ Học được xem như là sự cạnh tranh giữa các quần thể các giải pháp khả dĩ đang tiến hóa của bài toán ◼ Thành phần: Khởi tạo quần thể – Quần thể các giải pháp khả dĩ Y – Hàm đánh giá ĐK thỏa – Các phép toán tạo con mới: N • giao nhau (crossover) •Gọi hàm đánh giá • Đột biến (mutation) •Chọn các thành viên tốt ◼ Giải thuật: •Tạo con mới – Điều kiện kết thúc: #vònglặp, •Thay thế thành viên kém Trung bình ‘độ tốt’ của quần thể bằng các con mới Chọn giải pháp từ quần thể Chương 9. p.40