ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH CHƯƠNG TRÌNH ĐẠO TẠO THẠC SĨ CNTT QUA MẠNG ________________ BÀI THU HOẠCH MÔN HỌC KHAI PHÁ DỮ LIỆU Đề tài: Phân lớp - Classification Giảng viên hướng dẫn: PGS.TS.Đỗ Phúc Sinh viên thực hiện: Nguyễn Thị Phúc Triêm Mã số: CH1101051 TP. HCM, năm 2012 Khóa luận môn học: Khai phá dữ liệu Lời nói đầu Từ sự xuất hiện cách mạng thông tin, cách mạng tri thức và sự bùng nổ công nghệ cao, con người cần luôn đổi mới, phát huy mạnh mẽ năng lực sáng tạo để luôn đổi mới quốc gia, hội nhập vào nền kinh tế, tri thức toàn cầu. Bên cạnh đó việc khai thác dữ liệu là một công nghệ mới mạnh mẽ với tiềm năng lớn để giúp các công ty tập trung vào các thông tin quan trọng nhất trong các dữ liệu mà họ đã thu thập được về hành vi của khách hàng và các khách hàng tiềm năng. Giúp phát hiện ra các thông tin ẩn trong dữ liệu mà các truy vấn và các báo cáo không thể tiết lộ được, từ cơ sở đó đưa ra những quyết định quan trọng. Một trong những kỹ thuật phổ biến trong khai phá dữ liệu để tìm các mẫu dữ liệu ẩn là phân tích phân lớp, được sử dụng để dự đoán thành viên nhóm cho các trường hợp dữ liệu. Trong xu thế phát triển chung đó em xin trình bày phần tìm hiểu nhỏ của mình trong kỹ thuật phân lớp khai phá dữ liệu. Chúng em xin được gửi lời cám ơn chân thành đến phó Giáo sư-Tiến sỹ Đỗ Phúc, người đã tận tâm truyền đạt những kiến thức nền tảng cơ bản cho chúng em về môn học “Khai phá dữ liệu”. Xin cảm ơn ban cố vấn học tập và ban quản trị Chương trình đào tạo thạc sỹ Công nghệ thông tin qua mạng của Đại Học Quốc Gia Thành phố Hồ Chí Minh đã tạo điều kiện cho chúng em hoàn thành tốt môn học. 2 Khóa luận môn học: Khai phá dữ liệu I. Tổng quan về phân lớp 1. Phân lớp là gì? Phân loại là một chức năng của khai phá dữ liệu , dùng để chỉ định các đối tượng trong một tập vào các lớp hoặc loại đối tượng khác nhau. Mục tiêu của việc phân lớp là dự đoán lớp chính xác cho từng trường hợp trong dữ liệu. Ví dụ, một mô hình phân loại có thể được sử dụng để xác định khoản vay tín dụng của người dùng có độ rủi ro là trung bình, thấp, hoặc cao. Một tác vụ phân lớp bắt đầu với một tập dữ liệu, trong đó bao gồm nhãn phân lớp cho mỗi mẫu dữ liệu và một tập các mẫu dữ liệu huấn luyện. Ví dụ, một mô hình phân loại dự báo rủi ro tín dụng có thể được phát triển dựa trên các dữ liệu quan sát các thông tin vay tín dung qua một khoảng thời gian. Ngoài việc xếp hạng tín dụng lịch sử, các dữ liệu có thể theo dõi quá trình làm việc, quyền sở hữu hoặc thuê nhà, số năm cư trú và số lượng, loại hình đầu tư, v.v Xếp hạng tín dụng sẽ là mục tiêu chính, các thuộc tính khác sẽ là dự đoán kèm theo, và các dữ liệu cho mỗi khách hàng sẽ là một trường hợp. Phân lớp được ứng dụng nhiều trong phân khúc khách hàng, mô hình kinh doanh, tiếp thị, phân tích tín dụng, mô hình y sinh học, chuẩn đoán y khoa, phân tích hiệu quả điều trị và phản ứng thuốc… 2. Phân lớp và dự đoán Dự đoán tương tự với phân lớp: xây dựng một mô hình, sử dụng mô hình để dự đoán cho những giá trị chưa biết. Phân loại là rời rạc và không hàm ý thứ tự. Trong khi dự báo lại dựa trên những giá trị liên tục , giá trị dấu chấm động sẽ chỉ ra một số, chứ không phải là một mục tiêu, phân loại. Một mô hình dự đoán với mục tiêu là số sử dụng thuật toán hồi quy, không phải là một thuật toán phân lớp. 3. Tiến trình phân lớp Tiến trình phân lớp gồm 2 bước Bước 1: Xây dựng mô hình từ tập huấn luyện Bước 2: Sử dụng mô hình - kiểm tra tính đúng đắn của mô hình và dùng nó để phân lớp dữ liệu mới 3 Khóa luận môn học: Khai phá dữ liệu a. Xây dựng mô hình Mỗi bộ/mẫu dữ liệu được phân vào một lớp được xác định trước Lớp của một bộ/mẫu dữ liệu được xác định bởi thuộc tính gán nhãn lớp Tập các bộ/mẫu dữ liệu huấn luyện - tập huấn luyện - được dùng để xây dựng mô hình Mô hình được biểu diễn bởi các luật phân lớp, các cây quyết định hoặc các công thức toán học b. Sử dụng mô hình Phân lớp cho những đối tượng mới hoặc chưa được phân lớp Đánh giá độ chính xác của mô hình lớp biết trước của một mẫu/bộ dữ liệu đem kiểm tra được so sánh với kết quả thu được từ mô hình Tỉ lệ chính xác = phần trăm các mẫu/bộ dữ liệu được phân lớp đúng bởi mô hình trong số các lần kiểm tra 4. Ví dụ về qui trình phân lớp a. Xây dựng mô hình 4 Khóa luận môn học: Khai phá dữ liệu b. Sử dụng mô hình 5. Học có giám sát và học không có giám sát a. Học có giám sát (phân lớp) Giám sát: Dữ liệu huấn luyện (quan sát, đo lường…) đều có kèm theo nhãn ghi rõ lớp của các quan sát Dữ liệu mới được phân loại dựa trên tập huấn luyện b. Học không có giám sát (phân cụm) Không biết các nhãn phân lớp của dữ liệu huấn luyện Cho một tập các phép đo, quan sát,… với mục đích thiết lập sự tồn tại của các lớp hoặc cụm dữ liệu 5 Khóa luận môn học: Khai phá dữ liệu 6. Các vấn đề liên quan đến phân lớp a. Chuẩn bị dữ liệu Làm sạch dữ liệu: xử lý dữ liệu để giảm nhiễu và xử lý các giá trị bị thiếu Phân tích sự liên quan (tính năng lựa chọn): Hủy bỏ các thuộc tính không liên quan hoặc dư thừa Chuyển đổi dữ liệu: Khái quát và (hoặc) bình thường hóa dữ liệu b. Đánh giá các phương pháp phân lớp Tiên đoán chính xác Tốc độ và khả năng mở rộng: • Thời gian để xây dựng mô hình • Thời gian sử dụng mô hình Bền vững: xử lý nhiễu và giá trị thiếu Khả năng mở rộng (co giãn): hiệu quả trong cơ sở dữ liệu đĩa thường trú Có thể biễu diễn được: hiểu biết và nhìn sâu sắc bằng mô hình Luật dễ làm: • Quyết định kích thước cây • Luật phân lớp chắc và gọn II. Phân lớp theo cây quyết định 1. Cây quyết định Cây quyết định là một cây trong đó • nút trong = một phép kiểm tra trên một thuộc tính • nhánh của cây = đầu ra của một phép kiểm tra • nút lá = nhãn phân lớp hoặc sự phân chia vào lớp 2. Tạo cây quyết định Hai giai đoạn tạo cây quyết định: • xây dựng cây o bắt đầu, tất cả các mẫu huấn luyện đều ở gốc o phân chia các mẫu dựa trên các thuộc tính được chọn 6 Khóa luận môn học: Khai phá dữ liệu o kiểm tra các thuộc tính được chọn dựa trên một độ đo thống kê hoặc heuristic • thu gọn cây o xác định và loại bỏ những nhánh nhiễu hoặc tách khỏi nhóm 3. Ví dụ cây quyết định Tập huấn luyện trích từ Quinlan’s ID3 7 Khóa luận môn học: Khai phá dữ liệu Cây quyết định thu được cho “người mua máy tính” 4. Rút luật phân lớp từ cây quyết định Mỗi một đường dẫn từ gốc đến lá trong cây tạo thành một luật Mỗi cặp giá trị thuộc tính trên một đường dẫn tạo nên một sự liên Nút lá giữ quyết định phân lớp dự đoán Các luật tạo được dễ hiểu hơn các cây Trong ví dụ trên : IF age < 30 AND student = yes THEN buys_computer 8 Khóa luận môn học: Khai phá dữ liệu 5. Các thuật toán trên cây quyết định a. Thuật toán cơ bản (thuật toán tham lam) Xây dựng một cây đệ quy phân chia và xác định đặc tính từ trên xuống Bắt đầu, tất cả các dữ liệu huấn luyện đều ở gốc Thuộc tính được phân loại (nếu là giá trị liên tục, giá trị này phải được phân chia trước) Các dữ liệu được phân chia đệ quy dựa trên các thuộc tính được lựa chọn Thuộc tính thử nghiệm được lựa chọn trên cơ sở của một biện pháp phỏng đoán hay thống kê ( thông tin đạt được) Điều kiện dừng phân vùng: • Tất cả các mẫu cho một nút cho trước đều thuộc về cùng một lớp • Không còn thuộc tính còn lại nào cho việc phân thêm vùng • Không có mẫu còn lại 6. Các độ đo lựa chọn thuộc tính Độ lợi thông tin (information gain) (ID3/C4.5) • Giả định tất cả các thuộc tính đều được phân loại • Có thể sửa đổi các thuộc tính có giá trị liên tục Chỉ số Gini (IBM IntelligentMiner) • Tất cả các thuộc tính được cho là có giá trị liên tục • Giả sử mỗi thuộc tính tồn tại các giá trị phân chia có thể • Có thể cần các công cụ khác, như phân cụm, để có được các giá trị có thể phân chia • Có thể được sửa đổi phân loại của các thuộc tính a. Độ lợi thông tin Chọn thuộc tính có chỉ số có độ lợi thông tin lớn nhất Cho P và N là hai lớp và S là một tập dữ liệu có p phần tử lớp P và n phần tử lớp N Khối lượng thông tin cần thiết để quyết định một mẫu tùy ý có thuộc về lớp P hay N hay không là np n np n np p np p npI ++ − ++ −= 22 loglog),( • Cho các tập {S1, S2 , …, Sv} là một phân hoạch trên tập S, khi sử dụng thuộc tính A • Cho mỗi Si chứa pi mẫu lớp P and ni mẫu lớp N 9 Khóa luận môn học: Khai phá dữ liệu • ∑ = + + = ν 1 ),()( i ii ii npI np np AE entropy, hay thông tin mong muốn cần thiết để phân lớp các đối tượng trong tất cả các cây con Si là • Thông tin có được bởi việc phân nhánh trên thuộc tính A là )(),()( AEnpIAGain −= Thừa nhận: Lớp P: buys_computer= “yes” Lớp N: buys_computer= “no” Thông tin cần thiết để phân lớp một mẫu được cho là: I(p, n) = I(9, 5) =0.940 Tính entropy cho thuộc tính tuổi 69.0)2,3( 14 5 )0,4( 14 4 )3,2( 14 5 )( =+ += I IIageE Ta có: Do đó: )(),()( ageEnpIageGain −= 10 [...]... bên phải là tên lớp Các cột (trừ cột cuối cùng) đều là dữ liệu thuộc tính Cột cuối cùng thể hiện dữ liệu lớp 2 Tính toán kết quả Chương trình sử dụng phân lớp Naive Bayes để xác định đối với mỗi tình huống nhất định kết quả sẽ tương ứng với phân lớp Bên trái là dữ liệu và các mẫu thử, bên phải là chi tiết tính toán và kết quả 21 Khóa luận môn học: Khai phá dữ liệu Sau khi load file dữ liệu, chương trình... hợp học được từ mạng niềm tin Bayesian: • • • Dễ dàng với cấu trúc mạng và tất cả các biến Cấu trúc mạng nhưng chỉ có một số biến Khi không biết trước cấu trúc mạng IV Các hướng phân lớp khác Mạng Neural Phân lớp k láng giềng gần nhất Suy luận dựa vào trường hợp Thuật toán di truyền Hướng tập thô Các hướng tập mờ 20 Khóa luận môn học: Khai phá dữ liệu V Chương trình phân lớp Bayes 1 Chọn file dữ liệu. .. chúng Khóa luận môn học: Khai phá dữ liệu • Ngay cả khi các phương pháp Bayes khó trong tính toán, chúng vẫn có thể cung cấp một chuẩn để tạo quyết định tới ưu so những phương pháp khác 3 Phân lớp Bayes Bài toán phân lớp có thể hình thức hóa bằng xác suất a-posteriori: P(C|X) = xác suất mẫu X= thuộc về lớp C Ví dụ P(class=N | outlook=sunny,windy=true,…) Ý tưởng: gán cho mẫu X nhãn phân lớp là... đồng thời tính toán các giá trị xác suất cơ bản tương ứng với từng lớp và từng thuộc tính 22 Khóa luận môn học: Khai phá dữ liệu Để tính toán kết quả cho các mẫu chưa thấy ta chọn mẫu và click vào nút “Đánh giá” Kết quả và quá trình tính toán của mẫu thử được thể hiện bên phải như hình dưới 23 Khóa luận môn học: Khai phá dữ liệu VI Tài liệu tham khảo http://docs.oracle.com/cd/B28359_01/datamine.111/b28129/classify.htm... những thuộc tính quan trọng nhất trước 5 Mạng niềm tin Bayesian 18 Khóa luận môn học: Khai phá dữ liệu Lịch sử gia đình Hút thuốc Ung thư phổi Bệnh khí thủng PositiveXRay Khó thở Bảng xác suất có điều kiện cho biến Ung thư phổi (FH, S) (FH, ~S)(~FH, S) (~FH, ~S) LC 0.5 0.7 0.1 ~LC 19 0.8 0.2 0.5 0.3 0.9 Khóa luận môn học: Khai phá dữ liệu Mạng niềm tin Bayesian cho phép có tập hợp con của các biến điều... tính thứ i trong lớp C Nếu thuộc tính thứ i là liên tục: P(xi|C) được ước lượng thông qua một hàm mật độ Gaussian Tính toán dễ dàng trong cả hai trường hợp 15 Khóa luận môn học: Khai phá dữ liệu Ví dụ: 16 Khóa luận môn học: Khai phá dữ liệu P(p) = 9/14 P(n) = 5/14 outlook P(sunny|p) = 2/9 P(sunny|n) = 3/5 P(overcast|p) = 4/9 P(overcast|n) = 0 P(rain|p) = 3/9 P(rain|n) = 2/5 temperature P(hot|p) = 2/9...Khóa luận môn học: Khai phá dữ liệu Gain(income) = 0.029 Gain( student ) = 0.151 Gain(credit _ rating ) = 0.048 Tương tự: b Chỉ số Gini (IBM Intelligent Miner) n gini(T ) =1− ∑ p 2 j j =1 Nếu một tập hợp dữ liệu T có chứa các mẫu từ n lớp, chỉ số Gini ( gini (T)) được định nghĩa là Với pj là tần số tương đối của lớp j trong T gini split (T ) = N 1 gini( ) + N 2 gini( ) T1 T2 N N Nếu một tập hợp dữ liệu. .. cả các trường hợp là singleton 13 Khóa luận môn học: Khai phá dữ liệu 2 Tại sao phân lớp theo Bayes Học theo xác suất: • • Tính các xác suất rõ ràng cho các giả thiết Một trong những hướng thiết thực cho một số vấn đề thuộc loại học Có tăng trưởng: • • Mỗi mẫu huấn luyện có thể tăng/giảm dần khả năng đúng của một giả thiết Tri thức ưu tiên có thể kết hợp với dữ liệu quan sát Dự đoán theo xác suất: •... windy 17 Khóa luận môn học: Khai phá dữ liệu P(true|p) = 3/9 P(true|n) = 3/5 P(false|p) = 6/9 P(false|n) = 2/5 Xét mẫu không nhìn thấy X = P(X|p)·P(p) = P(rain|p)·P(hot|p)·P(high|p)·P(false|p)·P(p) = 3/9·2/9·3/9·6/9·9/14 = 0.010582 P(X|n)·P(n) = P(rain|n)·P(hot|n)·P(high|n)·P(false|n)·P(n) = 2/5·2/5·4/5·2/5·5/14 = 0.018286 Mẫu X được phân vào lớp n (don’t play) 4 Phân lớp Naïve... số của các giá trị và sự kết hợp của các giá trị trong dữ liệu lịch sử Định lý Bayes tìm thấy xác suất của một sự kiện đang xảy ra được xác định xác suất của một sự kiện đã xảy ra Nếu B đại diện cho các sự kiện phụ thuộc và A đại diện cho các sự kiện đã xảy ra trước, định lý Bayes 'có thể được quy định như sau 12 Khóa luận môn học: Khai phá dữ liệu Prob (B cho A) = Prob (A và B) / Prob (A) Để tính . cho chúng em hoàn thành tốt môn học. 2 Khóa luận môn học: Khai phá dữ liệu I. Tổng quan về phân lớp 1. Phân lớp là gì? Phân loại là một chức năng của khai phá dữ liệu , dùng để chỉ định các đối. lập sự tồn tại của các lớp hoặc cụm dữ liệu 5 Khóa luận môn học: Khai phá dữ liệu 6. Các vấn đề liên quan đến phân lớp a. Chuẩn bị dữ liệu Làm sạch dữ liệu: xử lý dữ liệu để giảm nhiễu và xử. qui trình phân lớp a. Xây dựng mô hình 4 Khóa luận môn học: Khai phá dữ liệu b. Sử dụng mô hình 5. Học có giám sát và học không có giám sát a. Học có giám sát (phân lớp) Giám sát: Dữ liệu huấn