Khai phá dữ liệu - Chương 5 - ThS. Nguyễn Vương Thịnh

TRƯỜNG ĐẠI HỌC HÀNG HẢI VIỆT NAM
KHOA CÔNG NGHỆ THÔNG TIN
BÀI GIẢNG MÔN HỌC
KHAI PHÁ DỮ LIỆU
Giảng viên: ThS. Nguyễn Vương Thịnh
Bộ môn: Hệ thống thông tin
Hải Phòng, 2013
CHƯƠNG 5: PHÂN LỚP DỮ LIỆU
2
Thông tin về giảng viên
3
Thông tin về học phần
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 trên máy tính (Z = 0.5X + 0.5Y).
4
Tài liệu tham khảo
Jiawei Han and Micheline Kamber, Data Mining Concepts and Techniques, Elsevier Inc, 2006.
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).
Elmasri, Navathe, Somayajulu, Gupta, Fundamentals of Database Systems (the 4th Edition), Pearson Education Inc, 2004.
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
5
6
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: http://www.cs.waikato.ac.nz/ml/weka/downloading.html
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
8
5.1. KHÁI NIỆM VỀ PHÂN LỚP DỮ LIỆU
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.
X1
X2
X3
Xn-1
Xn
C1
.
.
.
C3
C2
Cm
.
.
.
D
C
f: D → C hay c = f(X) (với X∈ D và c∈ C)
9
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)
10
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:


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
11
5.2. PHÂN LỚP DỰA TRÊN XÁC SUẤT CÓ ĐIỀU KIỆN
(Naive Bayes Classifier)
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).
X được xác định thông qua tập giá trị của các thuộc tính
Nhãn phân lớp
12
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)
13
Thomas Bayes
(1702 – 1761)
Công thức Bayes:
14
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:
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.
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.
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).
Ta có thể tính:

và nếu coi n thuộc tính của X là độc lập thì:
15
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:
q: số giá trị khác nhau của Ak
16
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

thuộc lớp nào?
17
Có 02 lớp dữ liệu tương ứng với buys_computer = yes và buys_computer = no
Suy ra:
Tương tự:
⟹ X thuộc lớp dữ liệu tương ứng với buys_computer = yes
18
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.
19
If (Married = yes) And (Salary > 20K) Then Class = poor risk
If (Married = yes) And (50K > Salary >= 20K) Then Class = fair risk
If (Married = yes) And (Salary >= 50K) Then Class = good risk
If (Married = no) And (Acct Balance < 5K) Then Class = poor risk
If (Married = no) And (Acct Balance >= 5K) And (Age < 25) Then Class = fair risk
If (Married = no) And (Acct Balance >= 5K) And (Age >= 25) Then Class = good risk
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.
20
21
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.


Claude Elwood Shannon
(1916 – 2001)
22
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.



23
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).
24
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 ;
end;
25
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.
26
27
Tính toán tương tự:
⟹ Chọn age là thuộc tính phân tách
Ví dụ: Cho tập dữ liệu học:
28
29
Khởi động phần mềm Weka, chọn Explorer:
5.4. XÂY DỰNG MÔ HÌNH PHÂN LỚP VỚI WEKA
30
Chọn tập tin dữ liệu sử dụng
31
Tập dữ liệu mẫu
32
Sử dụng luôn tập dữ liệu học đưa vào để kiểm tra mô hình
Sử dụng tập dữ liệu khác để kiểm tra mô hình
Sử dụng một số % dữ liệu đưa vào để học và sử dụng phần còn lại để kiểm tra mô hình
Lựa chọn Thuật toán phân lớp được sử dụng (chọn thuật toán ID3)
Chỉ định thuộc tính (nhãn) phân lớp
Cây quyết định xây dựng được
33
Outlook
Humidity
Windy
Sunny
Overcast
Rainy
YES
High
Normal
NO
YES
True
False
NO
YES
Q & A
34