Tìm kiếm và trình diễn thông tin - Phân lớp và ứng dụng trong tìm kiếm

(IT4853) Tìm kiếm và trình diễn thông tin Phân lớp và ứng dụng trong tìm kiếm Giảng viên  TS. Nguyễn Bá Ngọc  Địa chỉ: Viện CNTT & TT/BM HTTT/B1-603  Email: ngocnb@soict.hust.edu.vn  Website: 2 Nội dung chính  Các giải thuật Naïve Bayes;  Trích chọn đặc trưng. 3 Multinomial Naïve Bayes: Huấn luyện 4 Multinomial Naïve Bayes: Phân lớp 5 Bernoulli Naïve Bayes: Huấn luyện 6 Bernoulli Naïve Bayes: Phân lớp 7 Nội dung chính  Các giải thuật Naïve Bayes;  Trích chọn đặc trưng. 8 Trích chọn đặc trưng  Trong phân lớp, văn bản thường được biểu diễn trong không gian đa chiều;  chiều ~ trục;  từ ~ đặc trưng.  Các từ hiếm có thể gây lỗi phân lớp;  Từ gây lỗi phân lợp được gọi là đặc trưng nhiễu.  Loại các đặc trưng nhiễu làm tăng hiệu quả và hiệu năng phân lớp;  Quá trình loại bỏ các đặc trưng nhiễu gọi là trích chọn đặc trưng; 9 Đặc trưng nhiễu  Giả sử một từ hiếm t không chứa thông tin liên quan đến lớp c nhưng chỉ xuất hiện trong các văn bản của lớp c.  Vì t là từ hiếm nên bộ phân lớp sau huấn luyện có thể coi t như một tín hiệu mạnh thuộc lớp c.  Hiện tượng này được gọi là overfitting  Trích chọn đặc trưng làm giảm overfitting và cải thiện tính chính xác của bộ phân lớp. 10 Giải thuật trích chọn đặc trưng 11 Các phương pháp cơ bản  Phương pháp trích chọn đặc trưng được xác định chủ yếu bởi cách đo độ hữu ích của đặc trưng  Độ hữu ích của đặc trưng:  Tần suất – lựa chọn những từ xuất hiện thường xuyên nhất.  Mutual information – lựa chọn từ với mutual information cao nhất;  Còn được gọi là Information Gain  Chi-square 12 Các phương pháp cơ bản  Phương pháp trích chọn đặc trưng được xác định chủ yếu bởi cách đo độ hữu ích của đặc trưng  Độ hữu ích của đặc trưng:  Tần suất – lựa chọn những từ xuất hiện thường xuyên nhất.  Hàm lượng thông tin – lựa chọn từ với Hàm lượng thông tin cao nhất;  Chi-square 13 Hàm lượng thông tin  Mutual information hoặc Information Gain. 14 N11 số văn bản thuộc lớp c chứa t; N10 số văn bản thuộc lớp c không chứa t; N01 không thuộc lớp c, chứa t; N00 không thuộc lớp c không chứa t. N = N11 + N10 + N01 + N00 là tổng số văn bản. Ví dụ tính MI, poultry/EXPORT 15 Kết quả trích chọn đặc trưng trên Reuters 16 17 (multinomial = multinomial Naive Bayes, binomial = Bernoulli Naive Bayes) Naïve Bayes  Trong trường hợp tổng quát, trích chọn đặc trưng là cần thiết để đạt kết quả cao 18 Cần trích chọn đặc trưng để đạt hiệu quả tối đa! Bài tập  Tính ma trận nhầm lẫn tương tự poultry/EXPORT cho cặp “Kyoto/JAPAN”.  Hãy thiết lập ma trận nhầm lẫn mà MI = 0 19 20