Comments
Description
Transcript
Document
Classification Salvatore Orlando Data Mining - S. Orlando 1 Classificazione Dati una collezione di dati (training set ) – Ciascun record contiene un insieme di attributi, uno dei quali è la classe di appartenenza. Trova un modello per l’attributo classe che diventa funzione degli altri attributi Obiettivo: trovare una funzione che assegni in modo accurato l’attributo classe a nuovi records non classificati. – Un test set è usato per determinare l’accuratezza del modello. – Di solito il dataset iniziale è suddiviso in training e test sets: costruiamo il modello con il training set, e usiamo il test set per validarlo. Data Mining - S. Orlando 2 Esempio di classificazione Tid Refund Marital Status Taxable Income Cheat Refund Marital Status Taxable Income Cheat 1 Yes Single 125K No No Single 75K ? 2 No Married 100K No Yes Married 50K ? 3 No Single 70K No No Married 150K ? 4 Yes Married 120K No Yes Divorced 90K ? 5 No Divorced 95K Yes No Single 40K ? 6 No Married No No Married 80K ? 60K 10 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes 10 Training Set Learn Classifier Test Set Model Cheat = truffatore,imbroglione Data Mining - S. Orlando 3 Classificazione vs. Clustering Supervised learning (classification) – Supervisione: I dati del training set (osservazioni, misure, etc.) sono stati preventivamente associati a etichette che indicano la classe di appartenenza • conoscenza supervisionata – I nuovi record di dati sono classificati usando il modello costruito sulla base del training set Unsupervised learning (clustering) – L’etichetta della classe è sconosciuta – Dati un insieme di misure, osservazioni, ecc. lo scopo del clustering è quello di stabilire l’esistenza di gruppi/classi nei dati • Imparare l’esistenza di un qualche modello presente nei dati, che dà luogo ad una suddivisione dei dati, senza conoscenza precedente Data Mining - S. Orlando 4 Tecniche di classificazione Metodi basati sugli Alberi di Decisione (Decision Tree) Metodi Rule-based Memory-based reasoning Neural Networks Genetic Algorithms Naïve Bayes Support Vector Machines Data Mining - S. Orlando 5 Classificazione basata su Decision Tree I modelli di classificazione basati su Decision Tree sono considerati tra i migliori – – – – Non costosi da costruire Facili da interpretare Facili da integrare con le basi di dati Buona accuratezza in molte applicazioni, anche in confronto ad altri metodi di classificazione Data Mining - S. Orlando 6 Decision tree Decision Tree – Un struttura ad albero che somiglia ad un flow-chart – Ogni nodo interno denota un test su un attributo • Gli archi uscenti rappresentano i risultati del test – Ogni nodo foglia rappresenta un’etichetta di classe o la distribuzione delle varie classi Uso di un Decision Tree – Per classificare un nuovo dato campione sulla base degli attributi • ovvero per assegnare un’etichetta di classe al nuovo dato – Effettua i test sui valori degli attributi del campione rispetto ai test presenti nel decision tree • A partire dalla radice, e sulla base degli attributi del campione da classificare, segue un cammino fino ad una foglia • L’etichetta della foglia definisce la classe di appartenenza del campione Data Mining - S. Orlando 7 Esempio di albero di classificazione Tid Refund Marital Status Taxable Income Cheat 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married No 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes 60K Splitting Attributes Refund Yes No NO MarSt Single, Divorced Married TaxInc < 80K NO NO > 80K YES 10 Data Mining - S. Orlando 8 Un altro albero di classificazione MarSt? Tid Refund Marital Status Taxable Income Cheat 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married No 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes 60K Married NO Single, Divorced Refund? No Yes NO TaxInc? < 80K NO > 80K YES Si possono derivare più alberi dagli stessi dati! 10 Data Mining - S. Orlando 9 Un altro esempio age <=30 <=30 31…40 >40 >40 >40 31…40 <=30 <=30 >40 <=30 31…40 31…40 >40 income student high no high no high no medium no low yes low yes low yes medium no low yes medium yes medium yes medium no high yes medium no credit_rating buys_computer fair no excellent no fair yes fair yes fair yes excellent no excellent yes fair no fair yes fair yes excellent yes excellent yes fair yes excellent no age? <=30 >40 31..40 student? YES credit rating? no yes excellent NO YES NO fair YES Data Mining - S. Orlando 10 Algoritmo per Decision Tree Induction Algoritmo di base (metodo greedy) – L’albero è costruito in modo: • top-down - ricorsivo - divide-and-conquer – All’inizio tutti gli esempi di training sono in corrispondenza della radice – Gli esempi di training sono partizionati ricorsivamente sulla base degli attributi selezionati – Gli attributi di test sono selezionati in base ad un’euristica o a misure statistiche (es., gini index, information gain) • Scopo: suddividere gli esempi creando partizioni omogenee • Esistono metodi che funzionano su attributi di test categorici e/o su attributi numerici Condizioni per stoppare il partizionamento – Tutti gli esempi di una partizione in una stessa classe – Non abbiamo più attributi sulla cui base partizionare ulteriormente – usiamo una tecnica di majority voting per classificare la foglia Data Mining - S. Orlando 11 Come effettuare lo splitting: attributi nominali Ciascuna partizione è caratterizzato da un sottoinsieme di valori. Multi-way split: Usa tanti ramificazioni dello split quanti sono i valori distinti. CarType Family Luxury Sports Binary split: Divisi i valori in due sottoinsiemi. Bisogna individuare un partizionamento ottimale. {Sports, Luxury} CarType {Family} oppure {Family, Luxury} CarType {Sports} Data Mining - S. Orlando 12 Come effettuare lo splitting: attributi ordinali Ciascuna partizione è caratterizzato da un sottoinsieme di valori. Multi-way split: Usa tanti ramificazioni dello split quanti sono i valori distinti. Size Small Large Medium Binary split: Divisi i valori in due sottoinsiemi. Bisogna individuare un partizionamento ottimale. {Small, Medium} Size {Large} oppure {Medium, Large} Size {Small} Questo partizionamento potrebbe essere possibile? {Small, Large} Size {Medium} Data Mining - S. Orlando 13 Come effettuare lo splitting: attributi numerici Metodi differenti – Binary Decision: (A < v) or (A v) • considera tutti i possibili split e individua il miglior taglio • Può risultare molto costo computazionalmente, anche se esistono dei metodi basati sull’ordinamento – Discretizzazione per formare un attributo categorico (ordinale) • Statico – discretizzato una volta per tutte all’inizio • Dinamico – le suddivisioni possono essere trovati tramite equal interval partitioning, equal frequency partitioning, o distance-based clustering. Data Mining - S. Orlando 14 Discretizzazione Equal-width (distance) partitioning: – Dividi la scala di variazione dell’attributo in N intervalli identici – Se A e B sono il più piccolo e il più grande valore di un attributo, la larghezza degli intervalli sarà: W = (B-A)/N. – E’ il metodo più semplice, ma gli outlier (o dati non ben distribuiti) possono dare problemi al metodo di discretizzazione Equal-depth (frequency) partitioning: – Dividi la scala di variazione dell’attributo in N intervalli identici, ciascuno contenente approssimativamente lo stesso numero di campioni – Buon metodo Cluster analysis partitioning: – Può risultare costoso Data Mining - S. Orlando 15 Discretizzazione Data Equal frequency Equal interval width K-means (clustering) Data Mining - S. Orlando 16 Criterio di splitting Come scegliere l’attributo e il relativo splitting? – uso di particolari indici di dispersione dei valori dell’attributo categorico di classe Gini index (algoritmo di IBM IntelligentMiner, CART, SLIQ, SPRINT) Information gain (algoritmi ID3/C4.5) Data Mining - S. Orlando 17 Gini index In corrispondenza di un certo nodo t dell’albero in costruzione, e rispetto alla corrispondente partizione del dataset di training, possiamo definire il Gini Index: GINI (t ) 1 [ p( j | t )]2 j (NOTA: p( j | t) è la frequenza relativa della classe j al nodo t). – Misura l’impurità/disordine del dataset corrispondente a t. • Massimo valore (1 - 1/nc) quando i record sono equamente distribuiti tra tutte le classi informazione meno interessante • Minimo valore (0.0) quando tutti i record appartengono ad una sola classe informazione più interessante C1 C2 0 6 Gini=0.000 C1 C2 1 5 Gini=0.278 C1 C2 2 4 Gini=0.444 C1 C2 3 3 Gini=0.500 Data Mining - S. Orlando 18 Gini Una sola classe: – 1 - 12 = 0 nc classi equiprobabili: – 1 - \sum ((n / nc) / n)2 = 1 - \sum (1 / nc)2 = 1 – nc (1 / nc)2 = 1 – 1 / nc Data Mining - S. Orlando 19 Esempi relativi a Gini Index GINI (t ) 1 [ p( j | t )]2 j C1 C2 0 6 P(C1) = 0/6 = 0 C1 C2 1 5 P(C1) = 1/6 C1 C2 2 4 P(C1) = 2/6 P(C2) = 6/6 = 1 Gini = 1 – P(C1)2 – P(C2)2 = 1 – 0 – 1 = 0 P(C2) = 5/6 Gini = 1 – (1/6)2 – (5/6)2 = 0.278 P(C2) = 4/6 Gini = 1 – (2/6)2 – (4/6)2 = 0.444 Data Mining - S. Orlando 20 Uso del GINI Index Criterio di Splitting: Minimizza il Gini Index della suddivisione. Quando un nodo t è suddiviso in k partizioni (figli), la qualità della suddivisione è calcolata come: k ni GINI split GINI (i ) i 1 n dove, ni = numero di record della partizione (figlio) i, n = numero di record del dataset al nodo t. ni /n costituisce il peso dei vari GINI(i) Dato il dataset associato al nodo t, si sceglie l’attributo che fornisce il più piccolo GINIsplit(t) per partizionare il dataset – È necessario enumerare tutti i possibili punti di splitting per ciascun attributo Data Mining - S. Orlando 21 Calcolare il GINI Index per attributi binari Suddivisione in due partizioni Si cercano partizioni più grandi e più pure possibili. Parent B? Yes No Node N1 C1 C2 N1 0 6 N2 6 0 Gini=0.000 C1 C2 N1 5 1 Gini=0.278 C1 C2 N1 4 3 6 C2 6 Gini = 0.500 Node N2 N2 1 5 C1 N2 2 3 Gini=0.486 C1 C2 N1 3 3 N2 3 3 Gini=0.500 Data Mining - S. Orlando 22 Calcolare il GINI Index per attributi categorici Per ciascuna classe nel dataset, conta il numero dei valori differenti per ogni attributo – computa le singole righe delle matrici di conteggio Usa la matrice dei conteggi per prendere le decisioni Two-way split (bisogna trovare il migliore partizionamento dei valori) Multi-way split CarType Family Sports Luxury C1 C2 Gini 1 4 2 1 0.393 1 1 C1 C2 Gini CarType {Sports, {Family} Luxury} 3 1 2 4 0.400 C1 C2 Gini CarType {Family, {Sports} Luxury} 2 2 1 5 0.419 Data Mining - S. Orlando 23 Calcolare il GINI Index per attributi continui Solitamente si usa Binary Decision, basato su un singolo valore di splitting – Non abbiamo bisogno di discretizzare Sono possibili scelte diverse per il valore di splitting – Es.: Numero di possibili valori di splitting = Numero di valori distinti assunti dall’attributo Ciascun valore di splitting ha una matrice di conteggi associata – Conteggio delle varie classi per ciascuna partizione, (A < v) e (A v) Metodo naive per scegliere il miglior v – Per ciascun v, scandisci il database per raccogliere la matrice dei conteggi e computare il corrispondente Gini Index (GINIsplit) – Questo metodo è computazionalmente inefficiente! Lavoro ridondante. Data Mining - S. Orlando 24 Calcolare il GINI Index per attributi continui (2) Metodo per migliorare l’efficienza Per ciascun attributo – Ordina rispetto ai valori degli attributi – Scandisci linearmente questi valori, aggiornando ogni volta la matrice dei conteggi necessario per calcolare il GINI index • considera che, quando spostiamo il pivot, abbiamo un singolo elemento (appartenente ad una certa classe) che passa da una partizione all’altra • +/- 1 in una particolare riga – Scegli le posizioni di split che hanno il GINI index minore Cheat No No No Yes Yes Yes No No No No 100 120 125 220 Taxable Income Sorted Values 60 Split Positions 70 55 75 65 85 72 90 80 95 87 92 97 110 122 172 230 <= > <= > <= > <= > <= > <= > <= > <= > <= > <= > <= > Yes 0 3 0 3 0 3 0 3 1 2 2 1 3 0 3 0 3 0 3 0 3 0 No 0 7 1 6 2 5 3 4 3 4 3 4 3 4 4 3 5 2 6 1 7 0 Gini 0.420 0.400 0.375 0.343 0.417 0.400 0.300 0.343 0.375 0.400 0.420 Data Mining - S. Orlando 25 Criterio di splitting alternativo: Information Gain In corrispondenza di un certo nodo t dell’albero in costruzione, e rispetto alla corrispondente partizione del dataset di training, possiamo definire l’Information Gain: Entropy(t ) p( j | t ) log p( j | t ) j (NOTA: p( j | t) è la frequenza relativa della classe j al nodo t). – Misura l’omogeneità/ordine di un nodo. • Massimo (log nc) quando i record sono equamente distribuiti tra tutte le classi implica meno informazione • Minimo valore (0.0) quando tutti i record appartengono ad una sola classe implica più informazione – I calcoli basati sulla misura dell’Entropia sono simili a quelle basate sul GINI index Data Mining - S. Orlando 26 Entropy Una sola classe: – - (1 * log 1) = 0 nc classi equiprobabili: – - (\sum ( (n / nc) / n) * log ((n / nc) / n) ) = – - ( \sum ( (1 / nc) * log (1 / nc) ) = – - nc * (1 / nc) * log (1 / nc) = - log (1 / nc) = - (log 1 - log nc) = log nc Data Mining - S. Orlando 27 Esempi relativi all’Information Gain (Entropia) Entropy(t ) p( j | t ) log p( j | t ) j C1 C2 0 6 C1 C2 1 5 P(C1) = 1/6 C1 C2 2 4 P(C1) = 2/6 P(C1) = 0/6 = 0 2 P(C2) = 6/6 = 1 Entropy = – 0 log 0 – 1 log 1 = – 0 – 0 = 0 P(C2) = 5/6 Entropy = – (1/6) log2 (1/6) – (5/6) log2 (1/6) = 0.65 P(C2) = 4/6 Entropy = – (2/6) log2 (2/6) – (4/6) log2 (4/6) = 0.92 Data Mining - S. Orlando 28 Uso dell’Entropia come criterio di splitting Quando un nodo t è suddiviso in k partizioni (figli), la qualità della suddivisione è calcolata come IG (Information Gain): k ni GAIN split Entropy(t ) Entropy(i) i 1 n dove, ni = numero di record della partizione (figlio) i, n = numero di record del dataset al nodo t. ni /n costituisce il peso dei vari Entropy(i) Misura la riduzione nell’Entropia in conseguenza dello split. Scegli lo split che raggiunge la riduzione maggiore (massimizza il GAIN) Usato in ID3 e C4.5 Data Mining - S. Orlando 29 Problemi legati all’Information Gain Svantaggio: – l’IG tende a preferire suddivisioni che producono molte partizioni, piccole ma pure (ovvero che comprendono elementi appartenenti ad una singola classe). Si rischia di costruire un albero overfitted rispetto al training set Gain Ratio: GAIN n n GainRATIO SplitINFO log SplitINFO n n Split split k i i i 1 Il nodo padre, è suddiviso in k partizioni ni è il numero di record della partizione i – Corregge l’Information Gain dello split usando l’entropia del partizionamento (SplitINFO). – Valori alti di SplitINFO si ottengono all’aumento del numero di piccole partizioni! l’aumento di SplitINFO penalizza Gain Ratio – Usato in C4.5 Data Mining - S. Orlando 30 Algoritmo C4.5 - like Data Mining - S. Orlando 31 Overfitting L’albero può overfit-are i dati di training – Troppi rami, alcuni dei quali possono riflettere anomalie dovuti a rumori o outlier – Poca accuratezza (troppi errori) per campioni non visti (test dataset) Overfitting Data Mining - S. Orlando 32 Overfitting: Pre-Pruning Pre-Pruning (Early Stopping Rule) – Stop dell’algoritmo prima che esso produca un albero fullygrown – Le tipiche condizioni di stopping: • Stop se tutte le istanze appartengono alla stessa classe • Stop se tutti i valori degli attributi hanno lo stesso valore – Condizioni più restrittive per il pruning: • Stop se il numero di istanze è minore di uno user-specified threshold – Evita la creazione di piccole partizioni – Difficile trovare il threshold • Stop se espandendo il nodo corrente non miglioriamo la misura di impurità (es.., Gini o Information Gain). Data Mining - S. Orlando 33 Overfitting: Post-Pruning Post-Pruning – Rimuovi nodi/rami da un albero completo (“fully grown” tree) • Elimina i nodi in modo bottom-up – Usa un insieme di dati differenti dal training data (testing data) per decidere qual è il “best pruned tree” – Se l’errore sui dati di testing migliora dopo la sostituzione del sotto-albero con un nodo foglia • Sostituisci in maniera permanente, generando un albero pruned – L’etichetta di classe da assegnare al nuovo nodo foglia è determinato dalla classe maggioritaria nel sotto albero Data Mining - S. Orlando 34 Presentation: decisiontree Data Mining - S. Orlando 35 Presentation: decisiontree Data Mining - S. Orlando 36 Estrarre regole di classificazione da alberi Rappresenta la conoscenza nella forma di regole IFTHEN – Una regola per ogni cammino dalla radice ad una foglia – Ciascuna coppia attributo-valore lungo un cammino forma una congiunzione – Il nodo foglia restituisce la predizione della classe per la regola estratta Le regole sono più facili da capire Esempi IF age = “<=30” AND student = “no” THEN buys_computer = “no” IF age = “<=30” AND student = “yes” THEN buys_computer = “yes” IF age = “31…40” THEN buys_computer = “yes” IF age = “>40” AND credit_rating = “excellent” THEN buys_computer = “yes” IF age = “>40” AND credit_rating = “fair” THEN buys_computer = “no” Data Mining - S. Orlando 37 Classificatori Bayesiano Metodo probabilistico (Bayesian) per risolvere il problema della classificazione Probabilità condizionali: P( A C ) P(C | A) P( A) P( A C ) P( A | C ) P(C ) C A Teorema di Bayes : P( A | C ) P(C ) P(C | A) P( A) Data Mining - S. Orlando 38 Esempio di applicazione del teorema di Bayes Conoscenza pregressa: – Un dottore sa che la meningite causa rigidità del collo per il 50% dei casi • P(rigidità del collo | meningite) = 1/2 – La probabilità incondizionata che un paziente possa avere la meningite è • P(meningite) = 1/50000 = 0,00002 – La probabilità incondizionata che un paziente possa avere rigidità del collo è • P(rigidità del collo) = 1/20 = 0,05 Se un paziente ha rigidità del collo, qual è la probabilità che egli abbia la meningite? P( R | M ) P( M ) 0.5 1 / 50000 P( M | R) 0.0002 P( R) 1 / 20 Data Mining - S. Orlando 39 Classificatori Bayesiano Considera i vari attributi e l’etichetta della classe come variabili casuali Dato un record R contenente gli attributi (A1, A2,…,An) – Lo scopo è predire la classe C di R – Più specificatamente, vogliamo trovare il valore di C che massimizza: P(C| A1, A2,…,An ) Possiamo stimare P(C| A1, A2,…,An ) direttamente dai dati? Data Mining - S. Orlando 40 Classificatori Bayesiano Approccio: – Calcoliamo la probabilità a posteriori P(C | A1, A2, …, An) per tutti i valori dell’etichetta C di classe – Scegli il valore di C che massimizza P(C | A1, A2, …, An) P( A A A | C ) P(C ) P(C | A A A ) P( A A A ) 1 1 2 2 n n 1 2 n Sulla base del teorema di Bayes, possiamo equivalentemente scegliere il valore di C che massimizza P(A1, A2, …, An | C) P(C) Come stimiamo P(A1, A2, …, An | C) ? Data Mining - S. Orlando 41 Classificatore Naïve Bayes Assunzione Naïve : Assumiamo l’indipendenza tra gli attributi Ai quando sia data una certa classe C – P(A1, A2, …, An |Cj) = P(A1| Cj) P(A2| Cj)… P(An| Cj) – Possiamo facilmente calcolare P(Ai| Cj) per tutte le coppie Ai e Cj nel training set, oltre ai vari P(Cj) – Un nuovo record (B1, B2, …, Bn) è classificato come Cj se risulta massima la produttoria: P(Cj) P(Ai| Cj) = P(Cj) P(A1, A2, …, An |Cj) Data Mining - S. Orlando 42 Come stimiamo la probabilità dai dati? s al al c Tid e at Refund g ic r o c e at g ic r o c t n o in u o u s s a cl Marital Status Taxable Income Evade 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes Probabilità delle Classi: – P(C) = Nc/N – dove Nc è il numero di istanze che appartengono alla classe C – Es., P(No) = 7/10, P(Yes) = 3/10 Per attributi discreti: – P(Ai | Ck) = |Aik| / Nck – dove |Aik| è il numero di istanze che hanno l’attributo Ai e appartengono alla classe Ck – dove Nck è il numero di istanze che appartengono alla classe Ck 10 – Esempi: P(Married | No) = 4/7 P(Refund=Yes | Yes)=0 Data Mining - S. Orlando 43 Come stimiamo la probabilità dai dati? Per attributi continui: – Abbiamo bisogno di conoscere la probabilità condizionale P(Ai|C) • nota che il particolare valore dell’attributo continuo Ai potrebbe non essere presente nel dataset di training – Assumiamo che gli attributi obbediscono a certe distribuzioni di probabilità • Tipicamente, si assume la distribuzione normale • Si usano i dati per stimare i parametri della distribuzione di probabilità (ovvero, media e deviazione standard) • Una volta che la distribuzione di probabilità è nota, possiamo usarla per stimare la probabilità condizionale P(Ai|C) Data Mining - S. Orlando 44 l a c i r a c i r l s u Come stimiamo le probabilità dai dati? o u o o c Tid e at Refund g c e at Marital Status g c t n o Taxable Income in as l c Evade 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes s Distribuzione normale: 1 P( A | c ) e 2 i j ( Ai ij ) 2 2 ij2 2 ij – Una per ciascuna coppia (Ai,ci) Per (Income, Class=No): – Se Class=No • ij (media nel campione) = 110 • 2ij (varianza nel campione) = 2975 10 1 P( Income 120 | No) e 2 (54.54) ( 120110) 2 2 ( 2975) 0.0072 Data Mining - S. Orlando 45 Esempio di classificatore Naïve Bayes Dato il seguente test: X (Refund No, Married, Income 120K) P(Refund=Yes|No) = 3/7 P(Refund=No|No) = 4/7 P(Refund=Yes|Yes) = 0 P(Refund=No|Yes) = 1 P(Marital Status=Single|No) = 2/7 P(Marital Status=Divorced|No) = 1/7 P(Marital Status=Married|No) = 4/7 P(Marital Status=Single|Yes) = 2/3 P(Marital Status=Divorced|Yes) = 1/3 P(Marital Status=Married|Yes) = 0 Per Income: Se No: Se Yes: media = 110 varianza = 2975 media = 90 varianza = 25 P(X|Class=No) = P(Refund=No| Class=No) P(Married| Class=No) P(Income=120K| Class=No) = 4/7 4/7 0.0072 = 0.0024 P(X|Class=No) P(No) = 0.0024 0.7 = 0.00168 P(X|Class=Yes) = P(Refund=No| Class=Yes) P(Married| Class=Yes) P(Income=120K| Class=Yes) = 1 0 1.2 10-9 = 0 P(X|Class=Yes) P(Yes) = 0.0 0.3 = 0.0 Poiché P(X|No)P(No) > P(X|Yes)P(Yes) abbiamo che: P(No|X) > P(Yes|X) => Class = No Data Mining - S. Orlando 46 Esempio di classificatore Naïve Bayes Test sugli attributi: Give Birth yes Can Fly no Live in Water Have Legs yes no A: attributes Class M: mammals ? Non-M: non-mammals Name human python salmon whale frog komodo bat pigeon cat leopard shark turtle penguin porcupine eel salamander gila monster platypus owl dolphin eagle Give Birth yes no no yes no no yes no yes yes no no yes no no no no no yes no Can Fly no no no no no no yes yes no no no no no no no no no yes no yes Live in Water no no yes yes sometimes no no no no yes sometimes sometimes no yes sometimes no no no yes no Have Legs yes no no no yes yes yes yes yes no yes yes yes no yes yes yes yes no yes Class M non-M non-M M non-M non-M M non-M M non-M non-M non-M M non-M non-M non-M M non-M M non-M 6 6 2 2 P( A | M ) 0.06 7 7 7 7 1 10 3 4 P( A | N ) 0.0042 13 13 13 13 7 P( A | M ) P( M ) 0.06 0.021 20 13 P( A | N ) P( N ) 0.004 0.0027 20 P(A|M)P(M) > P(A|N)P(N) => Mammals Data Mining - S. Orlando 47 Classificatore Naïve Bayes: sommario Robusto rispetto al rumore Gestisce i valori mancanti ignorando le istanze durante il calcolo della stima di probabilità Purtroppo l’assunzione di indipendenza può non essere valida per qualche attributo Per superare queste limitazioni: – Bayesian networks, che combinano ragionamenti Bayesiani con relazioni di causalità tra gli attributi – Alberi di decisione, che ragionano su un attributo alla volta, considerando gli attributi più importanti per primi Data Mining - S. Orlando 48 Classificatori Instance-Based • Memorizza le istanze di training => “Ritarda” nella costruzione del modello (lazy learner) • Usa le istanze di training per predire l’etichetta di classe di nuovi casi non visti • Approcci Tipici Set of Stored Cases • k-nearest neighbor • Locally weighted regression Atr1 ……... AtrN Class A • Case-based reasoning B B C A Unseen Case Atr1 ……... AtrN C B Data Mining - S. Orlando 49 K-nearest neighbor Unseen Instance Istanze come punti nel piano euclideo – attributi continui Richiede tre cose: – L’insieme di istanze memorizzate – Metrica di Distanza – Il valore di k, il numero di vicini “nearest” da estrarre Per la classificazione: – Estrai i k nearest neighbors – Usa le etichette di classe dei nearest neighbors per determinare l’etichetta di classe dell’istanza non vista (es., attraverso il voto di maggioranza) Data Mining - S. Orlando 50 K-nearest neighbor X (a) 1-nearest neighbor X X (b) 2-nearest neighbor (c) 3-nearest neighbor I K-nearest neighbors di un’istanza x sono i punti che hanno le K più piccole distanze da x Data Mining - S. Orlando 51 1 nearest-neighbor Voronoi Diagram A causa del costo della classificazione, è necessario indicizzare/precomputare informazioni per velocizzare il calcolo dei K vicini più prossimi Data Mining - S. Orlando 52 Classificatore K-nearest neighbor Calcola la distanza tra due punti: – Distanza Euclidea d ( p, q ) ( pi i q ) 2 i Distanza per pesare i voti – fattore di peso, w = 1/d2 – pesa il voto in accordo alla distanza Data Mining - S. Orlando 53 Classificatore K-nearest neighbor ……… Scegliere il valore di k: – Se k è troppo piccolo, il classificatore è sensibile al rumore – Se k è troppo grande, • costoso dal punto di vista computazionale • la cerchia dei vicini può includere punti appartenenti ad altre classi X Data Mining - S. Orlando 54 Case-Based Reasoning Anche questo metodo usa: lazy evaluation + analisi delle istanze più simili Differenza: Le istanze non sono “punti nello spazio Euclideo” Metodologia – Le istanze/casi sono rappresentate da una ricca descrizione simbolica (es., grafi, funzioni) – Un case-based reasoner prima cerca di capire se esiste un caso di training identico al nuovo caso da classificare => classificazione OK – Se questo caso uguale non esiste, si cercano casi di training “vicini”, ovvero con componenti simili a quelli del nuovo caso • Es.: se i casi sono rappresentati come grafi, si cercano sottografi comuni Problemi – Trovare una buona misura di similarità (es. per il matching tra grafi) – Metodi di indicizzazione per velocizzare la ricerca di casi simili Data Mining - S. Orlando 55 Lazy (pigro) vs. eager (impaziente) evaluation Instance-based learning: lazy evaluation Decision-tree and Bayesian classification: eager evaluation Differenze chiavi – I metodi lazy considerano l’istanza di query q contemporaneamente alla decisione su come generalizzare a partire dal dataset D di training – I metodi eager non possono farlo, poiché hanno già scelto approssimazioni globali per costruire il modello nel momento in cui vedono la query Efficienza: i metodi lazy impiegano meno tempo per il training, ma più tempo per predire la classe Accuratezza – I metodi lazy: usano efficientemente uno spazio di ipotesi più ricco ritagliato sulla query q – I metodi eager: devono convergere da subito ad una ipotesi singola che copre l’intero spazio delle istanze di training Data Mining - S. Orlando 56 Metriche per valutare i classificatori Siamo interessati alle prestazioni dei classificatori – rispetto alla capacità predittiva del modello – possibile tradeoff rispetto alla velocità dell’algoritmo Confusion Matrix: PREDICTED CLASS Class=Yes Class=No a: TP (true positive) ACTUAL CLASS Class=Yes a b b: FN (false negative) c: FP (false positive) Class=No c d d: TN (true negative) Conteggi: a, b, c, e d anche esprimibili in percentuale Data Mining - S. Orlando 57 Metriche per valutare i classificatori PREDICTED CLASS Class=Yes ACTUAL CLASS Class=No Class=Yes a (TP) b (FN) Class=No c (FP) d (TN) Metrica più usata: ad TP TN Accuracy a b c d TP TN FP FN Error Rate = 1 - Accuracy Data Mining - S. Orlando 58 Problemi con lo sbilanciamento delle classi Se il problema non è bilanciato P(Class=Y) molto diverso da P(Class=N) Accuracy non è una misura adeguata o obiettiva Esempio: – solo l’1% delle transazioni di carte di credito sono fraudolente – il 99% sono quindi lecite ! – un modello che classifica tutte le transazioni come legittime, ha un’accuratezza dello 0.99 !!! – ma il modello è cattivo ha un rate di FP dell’1%, ma questo 1% include TUTTE le transazioni fraudolente a cui siamo interessati Data Mining - S. Orlando 59 Altre misure Misure che considerano le classi rare più interessanti Nella classificazione binaria, di solito la classe rara = positiva True positive rate (TPR) o sensibilità – TPR = TP / (TP + FN) – frazione di veri positivi individuati, rispetto a tutti i positivi True negative rate (TNR) o specificità – TPR = TN / (TN + FP) – frazione di veri negativi individuati, rispetto a tutti i negativi Recall e Precision – misure tipiche dell’Information Retrieval – usate quando è signicativo individuare correttamente una delle due classi Recall: Precision: r = TP / (TP + FN) p = TP / (TP + FP) Data Mining - S. Orlando 60 Metodi di valutazione Holdout – Usa 2/3 del dataset classificato per il training, e 1/3 per il testing – Problemi dovuti alla riduzione degli esempi per il training, e al fatto che training e test sono sottoinsiemi dello stesso dataset Random subsampling – Holdout ripetuto – acci : accuratezza del modello all’iterazione i-esima – accsub = i=1,k acci/k Cross validation – Partiziona il dataset in k sottoinsiemi disgiunti – Stesso record usato lo stesso numero di volte per il training, e una sola volta per il testing – k-fold: allena su k-1 partizioni, e testa sulla partizione rimanente – Leave-one-out: Cross-validation con k=N Bootstrap – Training: Sampling con rimpiazzamento – Lo stesso record può apparire più volte nel training dataset – Dati N record, un training costituito da N record contiene circa il 63.2% dei record originali – Test set = record non selezionati – Ripetuto b volte Data Mining - S. Orlando 61 Prediction (vs. Classification) I metodi predittivi sono simili a quelli per la classificazione – Prima costruisci il modello – Poi usa il modello per predire i valori sconosciuti • Il metodo di predizione più importante è la regressione – Regressione Lineare e Multipla – Regressione non-lineare La predizione è differente dalla classificazione – La classificazione predice etichette di classe categoriche – I metodi predittivi si occupano di predire valori continui non conosciuti Data Mining - S. Orlando 62 Metodi predittivi Regressione lineare: Y = + X – Modelliamo una variabile Y (variabile che vogliamo predire) come una funzione lineare di un’altra variabile X (che di solito è nota, e sulla quale basiamo la predizione di Y) – I coefficienti del modello (, ) determinati sulla base dei dati conosciuti (di training del modello) • Metodi dei minimi quadrati applicati ai valori conosciuti del training dataset Y1, Y2, …, X1, X2, …. Y = 21.7 + 3.7 X Data Mining - S. Orlando 63 Metodi predittivi Regressione lineare multipla: Y = b0 + b1 X1 + b2 X2 …. – Abbiamo variabili multiple di predizione X1, X2, ecc. su cui basare il valore di Y – Ancora minimi quadrati Regressione non lineare – I dati non mostrano l’esistenza di una dipendenza lineare – La variabile di predizione X ha una relazione con la variabile da predire Y modellabile con una funzione polinomiale Y = + 1 X + 2 X2 + 3 X3 – Possiamo introdurre nuove variabili (X1 = X, X2 = X2, X3 = X3) per trasformare l’equazione polinomiale in una lineare, su cui applicare il metodo dei minimi quadrati Data Mining - S. Orlando 64 Reti neurali Neurone artificiale - k x0 w0 x1 w1 xn f output y wn Input weight vector x vector w weighted sum Activation function Il vettore x di input a n-dimensioni è mappato in una variabile y attraverso un prodotto scalare e una funzione nonlineare Data Mining - S. Orlando 65 Rete neurale multilivello Output vector Output nodes Hidden nodes wij Input nodes Input vector: xi Data Mining - S. Orlando 66 Allenamento della rete L’obiettivo dell’allenamento – Ottenere un insieme di pesi/bias che permette di classificare correttamente la quasi totalità dei dati di training Passi del metodo di backpropagation – Inizializza i pesi con valori random – Poni sugli input le ennuple di allenamento una alla volta – Per ogni ennupla in input • Calcola i valori di output • Calcola l’errore • Aggiorna i pesi e il bias Data Mining - S. Orlando 67 Reti neurali Vantaggi dei classificatori neurali – Accuratezza nella predizione – Robustezza, funziona anche con esempi di training che contengono errori – Valutazione veloce Critiche – Tempo di training lungo – Difficile da interpretare la funzione di classificazione modellata dalla fase di training, ed applicata nella classificazione • interpretazione dei pesi degli archi della rete Data Mining - S. Orlando 68 Conclusioni La Classificazione è stato un problema studiatissimo (soprattutto in statistica, machine learning & neural networks) La Classificazione è probabilmente una delle tecniche di data mining più usate, e rispetto alle quali sono state introdotte moltissime estensioni Direzioni di ricerca: classificazione di dati non-relazionali, es.: testi, dati spaziali, multimedia, etc.. Data Mining - S. Orlando 69 Classificatori basati su regole associative Dati su cui costruire il classificatore – Insieme di record in D classificati, ovvero contenenti un attributo categorico yY, che determina la classe di appartenenza Trasformiamo il dataset per poter applicare un algoritmo Apriori-like – Ogni record deve diventare una transazione che contiene un insieme di item I – Gli attributi categorici vengono mappati su insiemi di interi consecutivi – Gli attributi continui sono discretizzati e trasformati come quelli categorici – Ogni record diventa una ennupla di item distinti appartenenti a I, dove ogni item è una coppia (Attribute, Integer-value) Le regole estratte (CAR=Class Association Rule) con supporto/confidenza minimi hanno quindi forma – condset y – Dove condset è un insieme di item (Attribute, Integer-value) Data Mining - S. Orlando 70 Classificatori basati su regole associative Una CAR ha confidenza c – se il c% dei campioni in D che contengono condset contengono anche y (ovvero appartengono alla classe y) Una CAR ha supporto s – se l’ s% dei campioni in D contengono sia condset e sia y (ovvero contengono condset ed appartengono anche alla classe y ) Data Mining - S. Orlando 71 Classificatori basati su CAR in dettaglio 1° passo (generazione delle CAR) – Algoritmo iterativo (come Apriori) che ricerca k-ruleitems frequenti (CAR frequenti il cui condset contiene K item) – Scansione multipla del database – Cerca ad ogni iterazione k = 1, 2, 3, … i k-ruleitems frequenti – La conoscenza dei k-ruleitems frequenti viene usata per generare i (k+1)-ruleitems candidati Data Mining - S. Orlando 72 Classificatori basati su CAR in dettaglio 2 ° passo (generazione del Classificatore) – Ricerca delle CAR più accurate – Metodo euristico, basato su un ordinamento tra CAR – Una regola ri precede una regola rj (ri < rj) se • La confidenza di ri è più grande di rj • La confidenza è la stessa, ma ri ha un supporto più grande • La confidenza e il supporto delle due regole sono uguali, ma ri è stata generata prima di rj – Al termine l’algoritmo seleziona un insieme di CAR ordinate che coprono tutti i campioni in D Uso del classificatore – Nel classificare un nuovo campione, si usa l’ordine tra le CAR • Si sceglie la prima regola il cui condset soddisfa il campione. – E’ necessaria una regola di default, a precedenza minima, che specifica una classe di default • Serve per classificare nel caso in cui nessuna regola soddisfa il nuovo campione da classificare Buoni risultati sia in velocità e sia in accuratezza rispetto a C4.5 Data Mining - S. Orlando 73