Khai phá dữ liệu - Đề tài Phương pháp support vector machines

Email 1 Trần Thị Thơm 14110192 14110192@student.hcmute.edu.vn 2 Huỳnh Nhật Thành 14110178 14110178@student.hcmute.edu.vn 3 Nguyễn Quang Nhật 14110137 14110137@student.hcmute.edu.vn Chương trình, ứng dụng sử dụng: Chương trình sử dụng: R studio Ứng dụng: Phân công thực hiện Phân công Thực hiện Tiến độ Cả nhóm Tìm kiếm, tổng hợp tài liệu Lên nội dung cần làm cho đề tài, thời gian thực hiện. Trình bày slide Sửa lỗi 100% Nguyễn Quang Nhật Tìm hiểu, xây dựng nội dung cơ bản 80% Huỳnh Nhật Thành Triển khai nội dung chi tiết từng phần 90% Trần Thị Thơm Tổng hợp, viết bài báo cáo. 90% MỞ ĐẦU Trong thời đại công nghệ thông tin hiện nay, sự phát triển của công nghệ kéo theo sự gia tăng rất lớn của lưu lượng thông tin lưu trữ và trao đổi. Do đó, yêu cầu về tổ chức lưu trữ và truy cập thông tin sao cho hiệu quả được đặt lên hàng đầu. Hướng giải quyết được đưa ra là tổ chức, tìm kiếm và phân loại thông tin một cách hiệu quả. Bản thân con người trong đời sống cũng tiếp nhận thế giới xung quanh thông qua sự phân loại và tổ chức ghi nhớ tri thức một cách hiệu quả. Phân loại thông qua các lớp và mô tả các lớp giúp cho tri thức được định dạng và lưu trữ trong đó. Có nhiều phương pháp phân loại đã được nghiên cứu và được áp dụng. Hiện nay, phương pháp phân loại Support Vector Machines là một trong những phương pháp mạnh và hiệu quả để giải quyết các bài toán lớp phi tuyến được Vapnik và Chervonenkis giới thiệu vào năm 1995. Vì vậy, nhóm em chọn đề tài “Nghiên cứu thuật toán máy SVM”. Lý do chọn đề tài Vấn đề phân lớp và dự đoán là khâu rất quan trọng trong học máy và khai phá dữ liệu, phát triển tri thức. Kỹ thuật Support Vector Machines (SVM) được đánh giá là công cụ mạnh và tinh vi nhất hiện nay cho những bài toán phân lớp phi tuyến. Nhiều ứng dụng đã và đang được xây dựng dựa trên kỹ thuật SVM rất hiệu quả. Nội dung cơ bản bao gồm Chương 1: Giới thiệu Support Vector Machines Chương 2: Tại sao chọn Support Vector Machines Chương 3: Đặt vấn đề Chương 4: Bài toán phân 2 lớp với SVM Chương 5: So sánh và cải tiến SVM Phần kết luận Phần Demo Phần tài liệu tham khảo CHƯƠNG 1: GIỚI THIỆU VỀ SUPPORT VECTOR MACHINE Giới thiệu Bài toán phân lớp (Classification) và dự đoán (Prediction) là hai bài toán cơ bản và có rất nhiều ứng dụng trong tất cả các lĩnh vực như: học máy, nhận dạng, trí tuệ nhân tạo , . v. v. Trong đề tài này, chúng em sẽ đi sâu nghiên cứu phương pháp Support Vector Machines (SVM), một phương pháp rất hiệu quả hiện nay. Phương pháp SVM được coi là công cụ mạnh cho những bài toán phân lớp phi tuyến tính được các tác giải Vapnik và Chervonenkis phát triển mạnh mẽ năm 1995. Phương pháp này thực hiện phân lớp dựa trên nguyên lý Cực tiểu hóa rủi ro có Cấu trúc SRM (Structural Risk Minimization), được xem là một trong các phương pháp phân lớp giám sát không tham số tinh vi nhất cho đến nay. Các hàm công cụ đa dạng của SVM cho phép tạo không gian chuyển đổi để xây dựng mặt phẳng phân lớp. Lịch sử Thuật toán Support Vector Machines (SVM) ban đầu tìm ra bởi Vladimir N.Vapnik và dạng chuẩn hiện nay sử dụng lề mềm được tìm ra bởi Vapnik và Corinna Cortes năm 1995. Định nghĩa Là phương pháp dựa trên nền tảng của lý thuyết thống kê nên có một nền tảng toán học chặt chẽ để đảm bảo rằng kết quả tìm được là chính xác. Là thuật toán học giám sát (supervied learning) được sử dụng cho phân lớp dữ liệu. Là một phương pháp thử nghiệm, đưa ra 1 trong những phương pháp mạnh và chính xác nhất trong số các thuật toán nổi tiếng về phân lớp dữ liệu. SVM là một phương pháp có tính tổng quát cao nên có thể được áp dụng cho nhiều loại bài toán nhận dạng và phân loại. Ứng dụng Nhận dạng: tiếng nói, ảnh, chữ viết tay (hơn mạng nơron) Phân loại văn bản, khai mỏ dữ liệu văn bản Phân tích dữ liệu theo thời gian Phân tích dữ liệu gien, nhận dạng bệnh, công nghệ bào chế thuốc Phân tích dữ liệu marketing CHƯƠNG 2: TẠI SAO CHỌN SUPPORT VECTOR MACHINES Sử dụng thuật toán Support vector machines có nhiều lơi ích: SVM rất hiệu quae để giải quyết bài toán dữ liệu có số chiều lớn (ảnh của dữ liệu biểu diễn gien, protein, tế bào) SVM giải quyết vấn đề overfitting rất tốt (dữ liệu có nhiễu và tách rời nhóm hoặc dữ liệu huấn luyện quá ít) Là phương pháp phân lớp nhanh Có hiệu suất tổng hợp tốt và hiệu suất tính toán cao. CHƯƠNG 3: ĐẶT VẤN ĐỀ Ý tưởng Cho trước một tập huấn luyện, được biểu diễn trong không gian vector, trong đó mỗi tài liệu là một điểm, phương pháp này tìm ra một siêu phẳng f quyết định tốt nhất có thể chia các điểm trên không gian này thành hai lớp riêng biệt tương ứng là lớp “+” và lớp “-”. Chất lượng của siêu phẳng này được quyết định bởi khoảng cách (gọi là biên) của điểm dữ liệu gần nhất của mỗi lớp đến mặt phẳng này. Khi đó, khoảng cách biên càng lớn thì mặt phẳng quyết định càng tốt, đồng thời việc phân loại càng chính xác. Ý tưởng của nó là ánh xạ (tuyến tính hoặc phi tuyến) dữ liệu vào không gian các vector đặc trưng (space of feature vectors) mà ở đó một siêu phẳng tối ưu được tìm ra để tách dữ liệu thuộc hai lớp khác nhau. Mục đích của phương pháp SVM là tìm được khoảng cách biên lớn nhất. Đường tô đậm là siêu phẳng tốt nhất và các điểm được bao bởi hình chữ nhật là những điểm gần siêu phẳng nhất, chúng được gọi là các vector hỗ trợ (support vector). Các đường nét đứt mà các support vector nằm trên đó được gọi là lề (margin). Cơ sở lý thuyết SVM thực chất là một bài toán tối ưu, mục tiêu của thuật toán này là tìm được một không gian F và siêu phẳng quyết định f trên F sao cho sai số phân loại là thấp nhất. Cho tập mẫu D = {(x1, y1), (x2,y2), , (xl, yl)} với xi ∈ Rn , thuộc vào hai lớp nhãn yi ∈ {-1,1} là tập nhãn lớp tương ứng của các xi (-1 biểu thị lớp I, 1 biểu thị lớp II). Ta có, phương trình siêu phẳng chứa vector xi trong không gian: xi. w+ b = 0 Đặt f(xi) = sign(xi. w+ b) ={ +1,xi. w+ b >0-1,xi. w+ b <0 Như vậy, f(xi) biểu diễn sự phân lớp của xi vào hai lớp như nêu trên. Ta nói yi = +1 nếu thuộc lớp I và yi = -1 nếu xi thuộc lớp II. CHƯƠNG 4: BÀI TOÁN PHÂN 2 LỚP VỚI SVM Bài toán đặt ra là: Xác định hàm phân lớp lớp để phân lớp các mẫu trong tương lai, nghĩa là với một mẫu dữ liệu mới xi thì cần phải xác định xi được phân lớp +1 hay lớp -1. Ta xét 3 trường hợp, mỗi trường hợp sẽ có 1 bài toán tối ưu, giải được bài toán tối ưu đó sẽ tìm được siêu phẳng cần tìm. Trường hợp 1 Tập D có thể phân chia tuyến tính được mà không có nhiễu (tất cả các điểm được gán nhãn +1 thuộc về phía dương của siêu phẳng, tất cả các điểm được gán nhãn -1 thuộc về phía âm của siêu phẳng) Hình 2. Tập dữ liệu được phân chia tuyến tính Ta sẽ tìm siêu phẳng tách với w ∈ Rn là vector trọng số, b ∈ Rn là hệ số tự do, sao cho: Đặt f(xi) = sign(xi. w+ b) ={ +1,xi. w+ b >0-1,xi. w+ b <0 ∀(xi,yi) ∈ D Lúc này ta cần giải toán tối ưu: { Min Lw= 12|w|2yixi.wT+b≥1,i=1,,l Trường hợp 2 Tập dữ liệu D có thể phân chia tuyến tính được nhưng có nhiễu. Trong trường hợp này, hầu hết các điểm đều được phân chia đúng bởi siêu phẳng. Tuy nhiên có 1 số điểm bị nhiễu, nghĩa là: điểm có nhãn dương nhưng lại thuộc phía âm của siêu phẳng, điểm có nhãn âm nhưng lại thuộc phía dương của siêu phẳng. Hình 3. Tập dữ liệu phân chia tuyến tính nhưng có nhiễu Trong trường hợp này, ta sử dụng 1 biến mềm εi ≥0 sao cho: yi.( xi. w+ b) ≥1- εi, i=1,,l Bài toán tối ưu trở thành : { Min Lw,ε= 12|w|2+Ci=1lεi yixi.wT+b≥1- εi,i=1,,l; εi ≥0 Trong đó C là tham số xác định trước, định nghĩa giá trị ràng buộc, C càng lớn thì mức độ phạm vi đối với những lỗi thực nghiệm (là lỗi xảy ra lúc huấn luyện, tính bằng thương số của số phần tử lỗi và tổng số phần tử huấn luyện) càng cao. Trường hợp 3 Ta dữ liệu D không thể phân chia tuyến tính được, ta sẽ ánh xạ các vector dữ liệu x từ không gian n chiều vào một không gian m chiều (m > n), sao cho trong không gian m chiều, D có thể phân chia tuyến tính được. Hình 4. Tập dữ liệu không phân chia tuyến tính. Gọi ∅ là ánh xạ phi tuyến từ không gian Rn vào không giam Rm ∅: Rn → Rm Bài toán tối ưu trở thành: {Min Lw,ε= 12|w|2+Ci=1lεi yi∅(xi).wT+b≥1- εi,i=1,,l; εi ≥0 Bài toán phân đa lớp của SVM Để phân đa lớp thì kỹ thuật SVM sẽ chia không gian dữ liệu thành 2 phần và tiếp tục với không gian đã được phân chia. Khi đó hàm quyết định phân dữ liệu vào lớp thứ I sẽ là: fix= wiTx+ bi Những phần tử x là support vector nếu thỏa điều kiện: fix= 1, ∈i-1, ∉i Giả sử bài toán phân loại k lớp (k ≥2), ta sẽ tiến hành k(k-1)/2 lần phân lớp nhị phân sử dụng phương pháp SVM. Mỗi lớp sẽ tiến hành phân tách với k-1 lớp còn lại để xác định k-1 hàm phân tách (chiến lược “một-đối-một” (one-against-one). Kỹ thuật phân đa lớp bằng phương pháp hiện vẫn đang được tiếp tục nghiên cứu và phát triển. LƯU Ý: CÁC BƯỚC CHÍNH CỦA PHƯƠNG PHÁP SVM Tiền xử lý dữ liệu: Phương pháp SVM yêu cầu được diễn tả như các vector của các số thực. Như vậy nếu đầu vào chưa phải là số thực thì ta cần tìm cách chuyển chúng về dạng số SVM. Tránh các số quá lớn, thường nên co giãn dữ liệu để chuyển đoạn [-1,1] hoặc [0,1]. Chọn hàm hạt nhân: cần chọn hàm hạt nhân phù hợp tương ứng cho từng bài toán cụ thể để đạt được độ chính xác cao trong quá trình học tập. Thực hiện việc kiểm tra chéo để xác định các tham số cho ứng dụng. Sử dụng các tham số cho việc huấn luyện tập mẫu. Kiểm thử tập dữ liệu Test. CHƯƠNG 5: SO SÁNH VÀ MỘT SỐ CẢI TIỀN Một số phương pháp như neuron, fuzy logic, mạng fuzzy-neuron,, cũng được sử dụng thành công để giải quyết bài toán phân lớp. Ưu điểm của phương pháp này là không cần xác định mô hình đối của đối tượng. SVM có 2 đặc trưng cơ bản: Nó luôn kết hợp với các dữ liệu có ý nghĩa về mặt vật lý, do vậy dễ dàng giải thích được một cách tường minh, Cần một tập các mẫu huấn luyện rất nhỏ. Phương pháp SVM hiện nay được xem là một công cụ mạnh và tinh vi nhất hiện any cho những bài toán phân lớp phi tuyến. Nó có một số biến thể như C-SVC, v-SVC. Cải tiến mới nhất hiện nay của phương pháp SVM đã được công bố là thuật toán NNSRM (Nearest Neighbor Structural Risk Minimization) là sự kết hợp giữa 2 kỹ thuật SVM và Nearest Neighbor. KẾT LUẬN Ưu điểm và nhược điểm của phương pháp Support Vector Machines Ưu điểm Là một kĩ thuật phân lớp khá phổ biến, SVM thể hiện được nhiều ưu điểm trong số đó có việc tính toán hiệu quả trên các tập dữ liệu lớn. Có thể kể thêm một số ưu điểm của phương pháp này như: Xử lý trên không gian số chiều cao: SVM là một công cụ tính toán hiệu quả trong không gian chiều cao, trong đó đặc biệt áp dụng cho các bài toán phân loại văn bản và phân tích quan điểm nơi chiều có thể cực kỳ lớn Tiết kiệm bộ nhớ: Do chỉ có một tập hợp con của các điểm được sử dụng trong quá trình huấn luyện và ra quyết định thực tế cho các điểm dữ liệu mới nên chỉ có những điểm cần thiết mới được lưu trữ trong bộ nhớ khi ra quyết dịnh Tính linh hoạt - phân lớp thường là phi tuyến tính. Khả năng áp dụng Kernel mới cho phép linh động giữa các phương pháp tuyến tính và phi tuyến tính từ đó khiến cho hiệu suất phân loại lớn hơn. Nhược điểm Bài toán số chiều cao: Trong trường hợp số lượng thuộc tính (p) của tập dữ liệu lớn hơn rất nhiều so với số lượng dữ liệu (n) thì SVM cho kết quả khá tồi Chưa thể hiện rõ tính xác suất: Việc phân lớp của SVM chỉ là việc cố gắng tách các đối tượng vào hai lớp được phân tách bởi siêu phẳng SVM. Điều này chưa giải thích được xác suất xuất hiện của một thành viên trong một nhóm là như thế nào. Tuy nhiên hiệu quả của việc phân lớp có thể được xác định dựa vào khái niệm margin từ điểm dữ liệu mới đến siêu phẳng phân lớp mà chúng ta đã bàn luận ở trên. Những kết quả đạt được Nghiên cứu và trình bày cơ sở của lý thuyết của phương pháp học máy. Trình bày phương pháp SVM. Đây là một phương pháp phân lớp hiệu quả được nghiên cứu nhiều nhất trong thời gian qua. Phân tích những giải pháp cho phép mở rộng và cải tiến để nâng cao hiệu quả ứng dụng của SVM: Kết hợp phương pháp SVM với một số phương pháp khác như phương pháp người láng giếng gần nhất (nearest neighbor), để làm tăng hơn nữa tốc độ tính toán, cũng như độ chính xác cho SVM. Cải tiến SVM cho phép phân chia không gian dữ liệu một cách tốt hơn, nhằm loại bỏ những vùng không được phân lớp bằng cách đưa kỹ thuật mờ vào SVM. Hướng phát triển của đề tài Thông qua các ứng dụng thực tiễn đã và đang nghiên cứu sử dụng phương pháp SVM, có thể thấy được những khả năng to lớn của nó, đồng thời mở ra những ứng dụng mới. Kết hợp phương pháp SVM với những phương pháp khác phù hợp với từng đối tượng cụ thể nhằm làm tăng hơn nữa hiệu quả phân lớp, tốc độ tính toán cũng như độ chính xác cho SVM. DEMO TÀI LIỆU THAM KHẢO [1] Thái Sơn: Luận văn thạc sỹ khoa học: Kỹ thuật Support Vector Machines và ứng dụng. Ngành toán tin ứng dụng: Đại học Bách khoa Hà Nội, 2006. [2] PGS.TS Vũ Thành Nguyên, Thi Minh Nguyễn: Một số cải tiến của bài toán phân lớp văn bản sử dụng thuật toán SVM và áp dụng trong phân tích tiếng Việt. Đại học Công nghệ thông tin – ĐHQG, 2011. [3] Phạm Văn Sơn: Đồ án tốt nghiệp đại học hệ chính quy: Tìm hiểu về Support Vector Machines cho bài toán phân lớp quan điểm.Đại học dân lập Hải Phòng,2012. [4]Jiawei Han, Micheline Kamber, Jian Pei Data Mining. Concepts and Techniques, 3rd Edition.