Tổng quan
Chương 4: Phân lớp và dự báo
• Phân lớp là gì?
• Dự báo là gì?
• Giới thiệu cây quyết định
• Phân lớp kiểu Bayes
• Những phương pháp phân lớp khác
• Độ chính xác trong phân lớp
47 trang |
Chia sẻ: phuongt97 | Lượt xem: 391 | Lượt tải: 0
Bạn đang xem trước 20 trang nội dung tài liệu Bài giảng Khai phá dữ liệu - Chương 4: Phân lớp và dự báo, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
i bảng con
này.
- Bước 8: Nếu tất cả các dòng đều khóa
+ Nếu còn bảng con thì qua bảng con tiếp theo và quay lại bước 2.
+ Ngược lại chấm dứt thuật toán
+ Ngược lại (nghĩa là vẫn còn dòng chưa khóa trong bảng con
đang xét) thì quay lại bước 4.
Chương 4: Phân lớp và dự báo
Thuật toán ILA (Inductive Learning Algorithm)
Quang cảnh Nhiệt độ Độ ẩm Gió Chơi
Mưa Ấm áp Cao Nhẹ Có
Mưa Mát Trung bình Nhẹ Có
Nắng Mát Trung bình Nhẹ Có
Mưa Ấm áp Trung bình Nhẹ Có
Nắng Ấm áp Trung bình Mạnh Có
Âm u Ấm áp Cao Mạnh Có
Âm u Nóng Trung bình Nhẹ Có Số lượng
Âm u Nóng Cao Nhẹ Có thuộc tính
Âm u Mát Trung bình Mạnh Có kết hợp j = 1
Quang cảnh Nhiệt độ Độ ẩm Gió Chơi
Nắng Nóng Cao Nhẹ Không
Nắng Nóng Cao Mạnh Không
Mưa Mát Trung bình Mạnh Không
Nắng Ấm áp Cao Nhẹ Không
Mưa Ấm áp Cao Mạnh Không
Chương 4: Phân lớp và dự báo
Thuật toán ILA (Inductive Learning Algorithm)
IF Quang cảnh=“Âm u” then Chơi Tennis=“Có”
Quang cảnh Nhiệt độ Độ ẩm Gió Chơi
Mưa Ấm áp Cao Nhẹ Có
Mưa Mát Trung bình Nhẹ Có
Mưa Ấm áp Trung bình Nhẹ Có
Nắng Ấm áp Trung bình Mạnh Có Số lượng
Nắng Mát Trung bình Nhẹ Có thuộc tính
kết hợp j = 2
Quang cảnh Nhiệt độ Độ ẩm Gió Chơi
Nắng Nóng Cao Nhẹ Không
Nắng Nóng Cao Mạnh Không
Mưa Mát Trung bình Mạnh Không
Nắng Ấm áp Cao Nhẹ Không
Mưa Ấm áp Cao Mạnh Không
Chương 4: Phân lớp và dự báo
Thuật toán ILA (Inductive Learning Algorithm)
IF Quang cảnh=“Âm u” then Chơi Tennis=“Có”
IF Quang cảnh=“Mưa” and Gió=“Nhẹ” then Chơi Tennis=“Có”
IF Quang cảnh=“Nắng” and Độ ẩm=“Trung bình” then Chơi Tennis=“Có”
Số lượng
Quang cảnh Nhiệt độ Độ ẩm Gió Chơi thuộc tính
Nắng Nóng Cao Nhẹ Không kết hợp j = 3
Nắng Nóng Cao Mạnh Không
Mưa Mát Trung bình Mạnh Không Không
Nắng Ấm áp Cao Nhẹ Không còn bảng con
Mưa Ấm áp Cao Mạnh Không
Chương 4: Phân lớp và dự báo
Thuật toán ILA (Inductive Learning Algorithm)
Quang cảnh Nhiệt độ Độ ẩm Gió Chơi
Nắng Nóng Cao Nhẹ Không
Nắng Nóng Cao Mạnh Không
Mưa Mát Trung bình Mạnh Không
Nắng Ấm áp Cao Nhẹ Không
Mưa Ấm áp Cao Mạnh Không
Số lượng
Quang cảnh Nhiệt độ Độ ẩm Gió Chơi
thuộc tính
Mưa Ấm áp Cao Nhẹ Có
Mưa Mát Trung bình Nhẹ Có kết hợp j = 1
Nắng Mát Trung bình Nhẹ Có
Mưa Ấm áp Trung bình Nhẹ Có max_combin
Nắng Ấm áp Trung bình Mạnh Có ation =0
Âm u Ấm áp Cao Mạnh Có
Âm u Nóng Trung bình Nhẹ Có
Âm u Nóng Cao Nhẹ Có
Âm u Mát Trung bình Mạnh Có
Chương 4: Phân lớp và dự báo
Thuật toán ILA (Inductive Learning Algorithm)
Quang cảnh Nhiệt độ Độ ẩm Gió Chơi
Nắng Nóng Cao Nhẹ Không
Nắng Nóng Cao Mạnh Không
Mưa Mát Trung bình Mạnh Không
Nắng Ấm áp Cao Nhẹ Không
Mưa Ấm áp Cao Mạnh Không
Số lượng
Quang cảnh Nhiệt độ Độ ẩm Gió Chơi
thuộc tính
Mưa Ấm áp Cao Nhẹ Có
Mưa Mát Trung bình Nhẹ Có kết hợp j = 2
Nắng Mát Trung bình Nhẹ Có
Mưa Ấm áp Trung bình Nhẹ Có
Nắng Ấm áp Trung bình Mạnh Có
Âm u Ấm áp Cao Mạnh Có
Âm u Nóng Trung bình Nhẹ Có
Âm u Nóng Cao Nhẹ Có
Âm u Mát Trung bình Mạnh Có
Chương 4: Phân lớp và dự báo
Thuật toán ILA (Inductive Learning Algorithm)
IF Quang cảnh=“Âm u” then Chơi Tennis=“Có”
IF Quang cảnh=“Mưa” and Gió=“Nhẹ” then Chơi Tennis=“Có”
IF Quang cảnh=“Nắng” and Độ ẩm=“Trung bình” then Chơi Tennis=“Có”
IF Quang cảnh=“Nắng” and Độ ẩm=“Cao” then Chơi Tennis=“Không”
IF Quang cảnh=“Mưa” and Gió=“Mạnh” then Chơi Tennis=“Không”
Quang cảnh Nhiệt độ Độ ẩm Gió Chơi Số lượng
Mưa Ấm áp Cao Nhẹ Có thuộc tính
Mưa Mát Trung bình Nhẹ Có kết hợp j = 3
Nắng Mát Trung bình Nhẹ Có
Mưa Ấm áp Trung bình Nhẹ Có Không
Nắng Ấm áp Trung bình Mạnh Có còn bảng
Âm u Ấm áp Cao Mạnh Có
Âm u Nóng Trung bình Nhẹ Có
Âm u Nóng Cao Nhẹ Có
Âm u Mát Trung bình Mạnh Có
Chương 4: Phân lớp và dự báo
Phương pháp Naϊve Bayes
Phân lớp theo mô hình xác suất
- Dự đoán xác suất là thành viên của một lớp
- Nền tảng: Dựa trên Định lý Bayes:
* Cho X, Y là các biến bất kỳ (rời rạc, số,...).
* Dự đoán Y từ X.
푷 풙 풚 ∗푷(풚)
* Định lý Bayes: P(y|x) =
푷(풙)
Cụ thể hơn:
푷 푿=풙풋 풀=풚풊 ∗푷(풀=풚풊)
P(Y=yi|X=xj) =
푷(푿=풙풋)
푷 푿=풙풋 풀=풚풊 ∗푷(풀=풚풊)
(∀풊, 풋)P(Y=yi|X=xj) =
풌 푷 푿=풙풋 풀=풚풌 ∗푷(풀=풚풌)
Chương 4: Phân lớp và dự báo
Phương pháp Naϊve Bayes
Giả sử:
- D: Tập huấn luyện gồm các mẫu biểu diễn dạng X=
- Ci,D: Tập các mẫu của D thuộc lớp Ci với: i={1,2,...,m}
- Các thuộc tính x1,x2,... độc lập điều kiện đôi một với nhau khi cho lớp C
P(x1,x2,...,xn|C)=P(x1|C)*P(x2|C)*...*P(xn|C)
푷 푿 푪 ∗푷(푪 )
- Định lý Bayes: P(C |X) = 풊 풊
i 푷(푿)
Ý tưởng: Cần xác định xác suất P(Ci|X) lớn nhất
new
hay: Luật phân lớp cho X = {x1,x2,...,xn} là:
풏
argmax P(Ci) 풌=ퟏ 푷(풙풌|푪풊)
Ck
Chương 4: Phân lớp và dự báo
Phương pháp Naϊve Bayes
Thuật toán:
Bước 1: Huấn luyện Naive Bayes trên tập dữ liệu huấn luyện:
Tính lượng giá P(Ci)
Tính lượng giá P(Xk|Ci)
Bước 2: Xnew được gán vào lớp cho giá trị công thức lớn nhất:
풏
argmax P(Ci) 풌=ퟏ 푷(풙풌|푪풊)
Ck
Chương 4: Phân lớp và dự báo
Phương pháp Naϊve Bayes Quang
Nhiệt độ Độ ẩm Gió Chơi
cảnh
Ví dụ: Cho Xnew = <Quang cảnh=“Nắng”, Nhiệt Nắng Nóng Cao Nhẹ Không
độ=“Mát”, Độ ẩm=“Cao”, Gió=“Mạnh” Nắng Nóng Cao Mạnh Không
Mưa Mát Trung bình Mạnh Không
Cần tự động nhận biết lớp của đối tượng này? Nắng Ấm áp Cao Nhẹ Không
Mưa Ấm áp Cao Mạnh Không
Bước 1: a. Ước lượng P(C ) với C =“Chơi” và Quang
i 1 Nhiệt độ Độ ẩm Gió Chơi
cảnh
C2=“Không”
Mưa Ấm áp Cao Nhẹ Có
b. Ước lượng P(xk|Ci) Mưa Mát Trung bình Nhẹ Có
Nắng Mát Trung bình Nhẹ Có
Mưa Ấm áp Trung bình Nhẹ Có
a. P(C1)=9/14=0.643 và P(C2)=5/14=0.357 Nắng Ấm áp Trung bình Mạnh Có
b. Với thuộc tính Quang cảnh, có các giá trị: Âm u Ấm áp Cao Mạnh Có
Nắng, Mưa, Âm u Âm u Nóng Trung bình Nhẹ Có
Âm u Nóng Cao Nhẹ Có
• P(“Nắng”|”Chơi”)=2/9 Âm u Mát Trung bình Mạnh Có
P(“Nắng”|”Không”)=3/5
• P(“Mưa”|”Chơi”)=3/9
P(“Mưa”|”Không”)=2/5
• P(“Âm u”|”Chơi”)=4/9
P(“Âm u”|”Không”)=0/5
Chương 4: Phân lớp và dự báo
Phương pháp Naϊve Bayes Quang
Nhiệt độ Độ ẩm Gió Chơi
cảnh
* Với thuộc tính Nhiệt độ, có các giá trị: Nóng, Nắng Nóng Cao Nhẹ Không
Mát, Ấm áp Nắng Nóng Cao Mạnh Không
Mưa Mát Trung bình Mạnh Không
• P(“Nóng”|”Chơi”)=2/9 Nắng Ấm áp Cao Nhẹ Không
P(“Nóng”|”Không”)=2/5 Mưa Ấm áp Cao Mạnh Không
• P(“Mát”|”Chơi”)=3/9 Quang
Nhiệt độ Độ ẩm Gió Chơi
P(“Mát”|”Không”)=1/5 cảnh
• P(“Ấm áp”|”Chơi”)=4/9 Mưa Ấm áp Cao Nhẹ Có
Mưa Mát Trung bình Nhẹ Có
P(“Ấm áp”|”Không”)=2/5 Nắng Mát Trung bình Nhẹ Có
Mưa Ấm áp Trung bình Nhẹ Có
Nắng Ấm áp Trung bình Mạnh Có
* Với thuộc tính Độ ẩm, có các giá trị: Cao, T.Bình Âm u Ấm áp Cao Mạnh Có
• P(“Cao”|”Chơi”)=3/9 Âm u Nóng Trung bình Nhẹ Có
Âm u Nóng Cao Nhẹ Có
P(“Cao”|”Không”)=4/5 Âm u Mát Trung bình Mạnh Có
• P(“T.Bình”|”Chơi”)=6/9
P(“T.Bình”|”Không”)=1/5
Chương 4: Phân lớp và dự báo
Phương pháp Naϊve Bayes Quang
Nhiệt độ Độ ẩm Gió Chơi
cảnh
* Với thuộc tính Gió, có các giá trị: Nhẹ,Mạnh Nắng Nóng Cao Nhẹ Không
• P(“Nhẹ”|”Chơi”)=6/9 Nắng Nóng Cao Mạnh Không
Mưa Mát Trung bình Mạnh Không
P(“Nhẹ”|”Không”)=1/5 Nắng Ấm áp Cao Nhẹ Không
• P(“Mạnh”|”Chơi”)=3/9 Mưa Ấm áp Cao Mạnh Không
P(“Mạnh”|”Không”)=3/5 Quang
Nhiệt độ Độ ẩm Gió Chơi
cảnh
Bước 2: Phân lớp: Mưa Ấm áp Cao Nhẹ Có
Xnew = <Quang cảnh=“Nắng”, Nhiệt độ=“Mát”, Độ Mưa Mát Trung bình Nhẹ Có
Nắng Mát Trung bình Nhẹ Có
ẩm=“Cao”, Gió=“Mạnh” Mưa Ấm áp Trung bình Nhẹ Có
Nắng Ấm áp Trung bình Mạnh Có
P(C1)*P(X,C1) = Âm u Ấm áp Cao Mạnh Có
Âm u Nóng Trung bình Nhẹ Có
P(C1)*P(“Nắng”|”Chơi”)*P(“Mát”|”Chơi”)*
Âm u Nóng Cao Nhẹ Có
P(“Cao”|”Chơi”)*P(“Mạnh”|”Chơi”) Âm u Mát Trung bình Mạnh Có
=(9/14)*(2/9)*(3/9)*(3/9)*(3/9)=0.005
new
X thuộc lớp C2 (“Không”)
P(C2)*P(X,C2) =
P(C2)*P(“Nắng”|”Không”)*P(“Mát”|”Không”)*
P(“Cao”|”Không”)*P(“Mạnh”|”Không”)
=(5/14)*(3/5)*(1/5)*(4/5)*(3/5)=0.021
Chương 4: Phân lớp và dự báo
Đánh giá mô hình
Phương pháp Holdout
Phân chia ngẫu nhiên tập dữ liệu thành 2 tập độc lập:
- Tập huấn luyện: 2/3
- Tập thử nghiệm: 1/3
Phương pháp Cross-Validation
Phân chia tập dữ liệu thành k tập con có cùng kích thước:
- Tại mỗi vòng lặp:
* Sử dụng một tập con làm tập thử nghiệm
* k-1 tập còn lại làm tập huấn luyện
- Giá trị của k thường là 10
Các file đính kèm theo tài liệu này:
- bai_giang_khai_pha_du_lieu_chuong_4_phan_lop_va_du_bao.pdf