PŘEDNÁŠKA KURZU MPOV

Transkript

1

2 PŘEDNÁŠKA KURZU MPOV Klasifikátory, strojové učení, automatické třídění P. Petyovský ( kancelář SD3.152, Technická 12, VUT v Brně rev

3 Motivace strojového učení Základní pojmy Strojové učení, znalost, inference, klasifikátor Příklady klasifikačních metod Lineární klasifikátor Bayesův klasifikátor Zlepšení přesnosti klasifikace - Boosting Metoda AdaBoost Principal components analysis (PCA, LDA) Markovovy modely Literatura, použité obrázky

4 MOTIVACE Jak definovat pojem strojové učení/rozpoznávání? Snaha matematicky popsat znalosti získané učením Snaha matematicky popsat proces rozhodování Snaha navrhnout univerzální postup jak získávat a znovupoužívat znalosti Strojové rozpoznávání Schopnost "učit se" tj. na základě příkladů si utvořit nový poznatek a umět ho aplikovat Schopnost určovat výsledek na základě vstupních údajů a získaných poznatků Schopnost univerzálního použití Vstupy Výstupy Učení se s učitelem Učení se bez učitele Numerické údaje Symbolické údaje Numerické údaje Symbolické údaje Stejná metoda pro různý počet vstupů a výstupů Stejná metoda pro různé úlohy

5 ZÁKLADNÍ POJMY Strojové učení Strojová klasifikace pattern recognition. Nauka o získávání a zpracování znalostí. data Algoritmus výsledek data Klasifikační algoritmus výsledek znalost Obr. 1 Srovnání přístupu ke klasickému zpracování dat a při strojové klasifikaci

6 ZÁKLADNÍ POJMY Znalost Informace o dané problematice. Další rozdělení: Mělká znalost vychází z pozorování skutečnosti, povrchní popis jevů. Hloubková znalost vyjadřuje vnitřní zákonitosti jevů (např. Ohmův zákon). Deklarativní znalost lze formálně zapsat jako pravidla (např. pravidla pro hraní šachu). Procedurální znalost znalost získaná opakovaným prováděním, cvičením (např. hraní šachu, řízení vozidla). Pozn.: Taková znalost obsahuje mnoho aspektů, pro potřeby strojového učení obtížně využitelné. (strategie, typické varianty atd.)

7 ZÁKLADNÍ POJMY Inference Postup k dosažení výsledku odvození. Základní typy inference jsou: dedukce, abdukce, indukce. Facts Theory Conclusion Dedukce pokud známe F, T a určujeme C. Vždy jistý správný výsledek (s ohledem na správnost T) (např. T: y=x 2 ; F:x=2 C:y=4). Abdukce proces, kdy známe C, T a hledáme F. Není vždy zaručen správný výsledek (např. T: y=x 2 ; C:y=9 F:x=3 nebo x=-3?). Indukce proces, kdy známe F, C a hledáme T. Není zaručen správný výsledek (např. F:x=3; C:y=9 T: y=x 2, y=3x, y=6+x atd..??)

8 ZÁKLADNÍ POJMY Klasifikátor Je algoritmus, který je při vhodné množině znalostí schopen úspěšně rozdělovat vstupní data s hodnotami atributů (příznaků) do výstupních předem zvolených skupin (tříd). Vhodná volba klasifikačního algoritmu představuje nutnou podmínku k úspěšné klasifikaci. X0,X1,X2,..., Xn příznaky (0-n) znalost Y=d(X) rozhodovací pravidlo Y0,Y1,Y2,..., Yr Obr. 2 - Vstupy a výstupy klasifikátoru klasifikované třídy (0-r)

9 ZÁKLADNÍ POJMY Úkoly strojového učení Zvolit, ověřit a implementovat: Vhodné příznaky, Klasifikační metodu, Metodu učení, vyhodnocení chyb klasifikace, Interpretaci výsledků učení, Realizaci klasifikátoru v cílové aplikaci.

10 ZÁKLADNÍ POJMY Postup použití vhodné klasifikační metody: 1. Učení generování znalostí (modelu) s ohledem na typ klasifikátoru. 2. Ověřování verifikace znalostí na jiných datech, než byly použity při učení a výpočet přesnosti klasifikace. 3. Klasifikace běžný provoz naučeného klasifikátoru.

11 ZÁKLADNÍ POJMY Určení přesnosti klasifikace Lze ji vyjádřit jako procentuální poměr mezi počtem správně zařazených vzorů k počtu všech předložených vzorů v testovací množině. δ klas = 100 N N ok celk [%] Pozn. V případě, že počet výstupních tříd klasifikátoru je roven dvěma (ano / ne), jedná se o tzv. úlohy dichotomické klasifikace. Pro dichotomické úlohy představuje chyba klasifikace 50% tzv. nenaučený klasifikátor (tj. klasifikátor odpovídající na předložené vzory naprosto náhodně).

12 ZÁKLADNÍ POJMY Kompletní a konzistentní model znalostí klasifikátoru Tyto pojmy představují popis modelu vzhledem k určité třídě: Kompletní model Učením vzniklá množina znalostí pokrývá všechny pozitivní případy, ale možná i některé negativní. Konzistentní model Učením vzniklá množina znalostí nepokrývá žádný negativní případ, ale možná nepokrývá i některé pozitivní.

13 ZÁKLADNÍ POJMY Kompletní a konzistentní model znalostí klasifikátoru Ideální separace prostoru atributů (ideální hranice klasifikace) X2 Naučená hranice klasifikace konzistentní vzhledem k Naučená hranice klasifikace Kompletní vzhledem k X1 Obr. 3 - Kompletní a konzistentní model znalostí

14 Přetrénování over-fitting klasifikátoru X2 Odchylka vzoru v trénovací množině vlivem chyby měření nebo šumu. Tyto vzory v trénovací množině chyběly, a proto se neúčastnily procesu učení. Přetrénovaný klasifikátor separoval prostor atributů takto. X1 Obr. 4 - Problém přetrénování klasifikátoru Na obrázku je patrný problém přetrénování klasifikátoru. Je tedy lépe netrvat na konzistenci (případně úplnosti) popisu, pokud to není nutné (brát ohled na aplikaci). Příliš přesný popis vzhledem k trénovací množině má velmi často nižší přesnost vzhledem k reálným datům.

15 ZÁKLADNÍ ROZDĚLENÍ Dle charakteru učení: KLASIFIKÁTORŮ Dávkové Zpracuje vždy celou cvičnou množinu naráz. Typické pro symbolické metody klasifikace. Inkrementální Cvičné příklady lze dodávat postupně, naučená znalost se podle nich průběžně aktualizuje. Typické pro statistické metody klasifikace. Inkrementální se zapomínáním Zapomínání částí znalostí se může jevit jako výhodné v případě, kdy je některý významný atribut skryt nebo jsou některé hodnoty atributů cvičné množiny zatíženy šumem více než jiné.

16 ZÁKLADNÍ ROZDĚLENÍ KLASIFIKÁTORŮ Dle použitých metod klasifikace: Symbolické Metody založené na rozhodovacích stromech (např. ID3, C4.5). Subsymbolické nebo také biologicky inspirované metody (např. neuronové sítě, genetické algoritmy). Statistické využívající regresní nebo jiné statistické metody (např. Bayesův odhad). Paměťové metody založené na ukládání instancí tříd (např. IBL).

17 PŘÍKLADY METOD KLASIFIKACE Lineární klasifikátor Bayesův klasifikátor Boosting metody pro klasifikaci Předzpracování prostoru příznaků (PCA, LDA) Markovovy modely

18 LINEÁRNÍ KLASIFIKÁTOR Představuje základní klasifikační metodu založenou na rozdělení prostoru příznaků pomocí po částech lineárními úseky. Prostor příznaků je obecně prostor s mnoha dimenzemi proto hovoříme o separaci prostoru příznaků nadrovinami (popř. nadplochami). X2 Y0 Y2 Y1 Naučená hranice klasifikace. Vytvoření rozdělující nadroviny (nadplochy). Obr. 5 - Příklad lineárně separabilního prostoru příznaků X1

19 x1 g1 x2 g2 sr yr xn sign gn Obr. 6 - Schéma lineárního klasifikátoru s r = g 1 x 1 + g 2 x g n x n Úkolem učení klasifikátoru je zvolit vhodné konstanty g (případně parametry funkce sign). Pokud lze tuto podmínku separace prostoru (na lineární oblasti patřící do jedné třídy) splnit (při chybě klasifikace 0%), hovoříme o lineární separabilitě prostoru příznaků.

20 Návrh lineárního klasifikátoru je možné si také představit jako výběr vhodného reprezentanta třídy v prostoru příznaků (tzv. etalon, normál). Proces učení potom představuje výběr vhodného etalonu zastupujícího celou třídu. Proces klasifikace neznámého vzoru lze v tomto případě převést na hledání nejmenší vzdálenosti neznámého vzoru od některého z etalonů tříd. Neznámý vzor je následně klasifikován do té třídy, od které má nejmenší vzdálenost. Funkce pro určení míry vzdálenosti se nazývá diskriminační funkce, a má nejčastěji tvar eukleidovské vzdálenosti. k ~ V s ~ Xk = q( ~ V s ~ X)T ( ~ V s ~ X) Kde V s představuje informaci o poloze s-tého etalonu v prostoru příznaků. X představuje informaci o poloze klasifikovaného vzoru.

21 Úkolem je nalézt minimum vzdálenosti od některého z etalonů k V ~ s Xk ~ = q( V ~ s X)T ~ ( V ~ s X) ~ min k V ~ s Xk ~ =min 2 T ~Vs Vs ~ 2( V ~ T s X)+ ~ XT ~ ~X... = X ~ T ~X T 2 max ~Vs X ~ 1 2 ( V ~ T s Vs ~ ) =... Výraz X T X má pro každý z etalonů konstantní hodnotu, proto ho lze při výpočtu maxima odstranit (pozn. Stejně jako násobení výsledku konstantou). Výsledná diskriminační funkce lze tedy zapsat ve tvaru: min k ~ V s ~ Xk 2 =min T ~Vs X ~ 1 2 ( V ~ T s Vs ~ ) Hodnota výrazu (1/2 V s T V s ) závisí pouze na poloze daného etalonu, proto je možné ji v rámci zrychlení klasifikace vypočítat předem a uložit společně s informacemi o poloze etalonu v prostoru příznaků.

22 Úprava pro dichotomické úlohy Pro dichotomické úlohy klasifikace není nutné vyhodnocovat hodnoty diskriminační funkce vždy pro oba etalony. Stačí vyhodnotit rozdíl obou diskriminačních funkcí a klasifikovat vzor na základě znaménka toho rozdílu. sign ( V ~ T 0 T ~V 1 ) X ~ 1 2 ( V ~ T T 0 V0 ~ V1 ~ V1 ~ )

23 BAYESŮV KLASIFIKÁTOR Patří do skupiny statistických klasifikátorů, umožňuje inkrementální i dávkové učení. Naučená znalost (model) je reprezentován pravděpodobnostním rozložením tříd. Při klasifikaci je zvolena třída s nejvyšší pravděpodobností. Podmíněná pravděpodobnost závislá na konjunkci jevů se nahradí funkcí podmíněných pravděpodobností jednoduchých jevů. Proto metoda požaduje úplnou vzájemnou statistickou nezávislost atributů.

24 BAYESŮV KLASIFIKÁTOR Učení Pro třídy C i, příznaky A j a jejich hodnoty V jk (tzn. k-tá hodnota j-tého příznaku) se zaznamenává do tabulky, kolikrát se ve cvičné množině: N i,j,k vyskytl jev, kdy současně: třída C i a hodnota V j,k, přesněji A j = V j,k Pro klasifikaci jsou dále ukládány tyto hodnoty: T i T j,k T - počet případů třídy C i - počet případů, kdy A = V j j,k - celkový počet příkladů. Klasifikace Za předpokladu, že neznámá instance má hodnoty V 1,a,V 2,b,...,V N,q, je pravděpodobnost, že instance patří do třídy C i, určena podmíněnou pravděpodobností P(C i V 1,a, V 2,b,..., V N,q ). Pro empirické získání této pravděpodobnosti obvykle nejsou k dispozici potřebná trénovací data. Proto se tato pravděpodobnost vypočítá na základě dílčích empirických pravděpodobností P(C i V jk ), resp. P(V jk C i ).

25 BAYESŮV KLASIFIKÁTOR Pro dosti vysoká čísla T, N ijk, T jk, T i : P(C i ) = T i / T (1) P(V jk ) = T jk / T (2) P(C i V jk ) = N ijk / T jk (3) P(V jk C i ) = N ijk / T i (4) Za předpokladu nezávislosti příznaků, lze dosadit za: P(C i V 1,a,V 2,b,...,V N,q ) = P(C i ) * N j=1 ( P(Ci V j,k ) / P(C i ) ), (1.1) nebo: P(C i V 1,a,V 2,b,...,V N,q ) = P(C i ) * N j=1 ( P(Vj,k C i ) / P(V j,k )), kde N je počet příznaků.

26 BAYESŮV KLASIFIKÁTOR Modifikovaná varianta: Obecněji lze (1) a (3) nahradit heuristikami (dle Cestnik, ECAI-90): P(C i ) = (T i + 1) / (T + M), N i,j,k + M * P(C i ) P(C i V j,k ) = , T j,k + M Vhodné pro případy, kdy v trénovací množině není zastoupena nějaká třída, hodnota příznaku nebo třída s hodnotou příznaku. M - nutno nastavit experimentálně, doporučováno M=2.

27 Příklad: baterie: P,W {silná (power), resp. slabá (weak)} kontakty: C,D {čisté (clean), resp. znečištěné (dirty)} třída: +,- (startuje, nestartuje) Trénovací množina: baterie kontakty třída ==================================== P C + P D + P C - W C + P D + W C + P D - P D + W D - W C + Učením získaná tabulka pravděpodobností (báze znalostí): N i,j,k třídy: T j,k : + - (hodnota) baterie P baterie W kontakty C kontakty D T i (třídy) Použití např.: Jaká je šance nastartování v případě, že baterie je slabá (W) a kontakty jsou znečištěné (D) dle (1.1): P(+ W,D) = P(+) * P(+ V bat,w )/ P(+) * P(+ V kont,d )/ P(+) =... = 64.3% P( - W,D) =... = 33.3% Pozn. Z výsledků pravděpodobnosti opačných jevů je patrné, že trénovací množina nesplňuje dokonale podmínku statistické nezávislosti příznaků.

28 BOOSTING Zlepšení přesnosti klasifikace - Boosting Boosting metody představují tzv. meta algoritmy učení tj. metody jak co nejlépe učit klasifikátory. Boosting zavádí pojem weak learner (špatný žák) tj. klasifikátor který má jen o něco lepší úspěšnost klasifikace než klasifikátor který klasifikuje naprosto nahodile (nenaučený klasifikátor). Boosting metody jak spojit více špatných klasifikátorů jednoho tzv. úspěšnějšího klasifikátoru (tzv. Strong classifier). Metoda tedy představuje vylepšené učení využívající obecně mnoha klasifikátorů učených nad stejnými vstupními daty.

29 ADABOOST Adaptive Boosting Yoav Freund, Robert Schapire, (obdrželi v roce 2003 Gödel prize) Určena pro dichotomické úlohy klasifikace. Je definována trénovací množina: (x 1,y 1 ),...,(x m,y m ); x i 2 X; y i 2 Y 7! { 1, +1} Je definována množina špatných žáků (klasifikátorů): h t : X 7! { 1, +1}; h t 2 H Hledám výsledný klasifikátor K(x) (tzv. Strong classifier) ve tvaru: X T K(x) =sign t=1 t h t (x)

30 ADABOOST Vlastnosti, výhody a nevýhody metody Výhody: Jednoduchá metoda (lze implementovat i v HW), Neklade prakticky žádné požadavky na klasifikátory (jen podmínku o weak learner ). Nevýhody: Velká citlivost na šum, Citlivost na přeučení (over-fitting).

31 Popis algoritmu metody AdaBoost 0) Inicializace: D 1 (i) = 1 m ; i =1,...,m t =1,...,T 1) Hledám klasifikátor: h t : X 7! { který vykazuje nejmenší chybu klasifikace vzhledem k váhám D t (i) h t = arg ht 2H(min t ) mx t = D t (i)bool y i 6= h t (x i ) i=1 1, +1}; h t 2 H Pozn.: bool() představuje funkci vracející 1 nebo 0 dle vyhodnocené podmínky (platí/neplatí) 2) Pokud ε t < 0.5 pokračuj, jinak ukonči učení 3) Urči váhu klasifikátoru α t, dle: t = 1 2 ln 1 t = R t t 4) Přepočítej váhy trénovací množiny dle: D t+1 (i) = D t(i)e ty i h t (x i ) Z t = mx i=1 Z t D t (i)e ty i h t (x i ) 5) Opakuj 1, (dokud platí podmínka ve 2)

32 PŘEDZPRACOVÁNÍ PŘÍZNAKŮ Normalizace, regularizace, transformace prostoru příznaků Využitelná k omezení dimenze a transformaci prostoru příznaků ještě před vstupem do klasifikátoru. Principal components analysis (PCA, LDA) Patří do skupiny operací pro předzpracování příznaků, využívá faktorovou analýzu dat. Definujme pojmy: eigenvector, eigenspace. Principem metody je volba nejdůležitějších proměnných popisující dostatečně dané třídy. Na základě hledání vhodných statických veličin.

33 Na obrázku vidíme závislost X 1 a X 2 pro dvě odlišné třídy. Pro daná X 1 a X 2 je víceméně jednoznačně patrná třída, ale pro správné přiřazení je potřebná znalost obou proměnných. X2 X1 Obr. 7 - Příklad normalizovatelného prostoru příznaků

34 Správnou volbou transformace souřadnicového systému dokážeme získat informaci, zda daný prvek patří do té či oné třídy již z jedné proměnné nebo naopak dokážeme uchovat v jedné proměnné maximum dat. X2 X2 X1 X1 Obr. 8 - Příklad normalizace prostoru příznaků a), b) Existují dvě možnosti jak vhodně rotovat souřadnicový systém tak, aby: a) byl směrodatný pro klasifikaci b) byl uchován největší rozptyl hodnot

35 Je třeba si uvědomit, že část informace byla nenávratně ztracena. V našem případě bychom pro potřeby rozdělení do tříd ukládali pouze osu X 1, ale to neznamená, že osa X 2 nemá žádnou informační hodnotu. Záleží na konkrétním využití, zda tuto informaci můžeme postrádat. X2 X1 Obr. 9 - Příklad transformace prostoru příznaků a volby dominantního příznaku X1

36 Obr Projekce LDA a PCA v prostoru příznaků LDA - zohledňuje pouze celkové rozložení dat, využívá informaci o třídě, (do které prvky náleží). Maximalizuje rozdíl mezi třídami a naopak minimalizuje rozdíl v rámci skupiny. Vhodné pro klasifikaci. PCA - minimalizuje rozdíly mezi třídami a maximalizuje rozdíly v rámci skupiny. Vhodné např. pro kompresi dat

37 MARKOVOVY MODELY Andrej Andrejevič Markov Pojem konečný stavový automat Metoda pro detekci a vyhodnocení změn stavu systému popsaného pomocí pravděpodobnostního modelu. Předpokládá omezené podmínky pro změnu stavu konečného stavového automatu. Markovův předpoklad v teorii pravděpodobnosti je označen náhodný proces jako Markovův, pokud následující stav závisí pouze na nynějším stavu a nezávisí na stavech dřívějších. Markovův proces je stochastický proces, který má Markovovu vlastnost.

38 Markovovy modely (MM Markov Models) jsou modely s konečným počtem stavů, kde přechod mezi stavy je vyjádřen pravděpodobností. Mimo modely s diskrétním časem existují také modely se spojitým časem. Ergodické Všechny stavy jsou mezi sebou propojené přechody. Obr Příklad ergodického markovova modelu Levo-pravé v některých případech lze použít jednodušší model, kde nelze přecházet mezi všemi stavy, ale pouze mezi vedlejšími stavy v jednom směru. Tento model se používá např. při rozpoznávání řeči. Obr Příklad levo-pravého markovova modelu

39 Příklad: Model počasí Vytvořme jednoduchý model počasí. Kterýkoliv den můžeme popsat jedním ze tří stavů: stav 1: deštivo stav 2: zataženo stav 3: slunečno Přechody mezi stavy lze popsat maticí přechodů s hodnotami pravděpodobnost: (součet hodnot v řádku je rovna 1) A = {a i } = Obr Model změny stavu počasí Základní možné výpočty (využitelné při klasifikaci): Jaká je pravděpodobnost, že následujících osm dní bude tento průběh počasí: slunečno, slunečno, slunečno, deštivo, deštivo, slunečno, zataženo, slunečno?

40 Skryté Markovovy modely (HMM Hidden Markov Models) jsou Markovovy modely, kde některé stavy a přechody mezi nimi není možné pozorovat (tzv. skryté stavy a přechody). Jde tedy o konečný stavový automat, který lze formálně zapsat jako: =(N, M, A, B, ) N skryté stavy (vektor) M pozorovatelné stavy (vektor) A pravděpodobnosti přechodu mezi skrytými stavy (matice) B pravděpodobnosti přechodů k pozorovatelným stavům (matice)! počáteční pravděpodobnosti stavů (vektor)

41 DOTAZY? 41

42 LITERATURA, POUŽITÉ OBRÁZKY [1] Jan J.: Poznámky ke kurzu Digitální zpracování a analýza obrazového signálu, FEKT [2] Jan J., Dub P.: Poznámky ke kurzu: Vyšší metody číslicového zpracování obrazu, FEKT [3] Šonka M., Hlaváč V.: Počítačové vidění, Computer press 1992, ISBN [4] Hlaváč V., Sedláček M.: Zpracování signálů a obrazů, skriptum ČVUT [4] Žára J., Beneš B., Felkel P.: Moderní počítačová grafika, Computer press 2004, ISBN [5] Žára J. a kol.: Počítačová grafika - Principy a algoritmy, Grada 1992, ISBN [6] Skala V. Světlo, barvy a barevné systémy v počítačové grafice; Academia 1993; ISBN [7] Wiley InterScience: Encyclopedia of Imaging Science and Technology, www3.interscience.wiley.com [8] Wikipedia, The free encyclopedia, [9] Pavlíčková.: Poznámky ke kurzu strojové učení, FEKT [10] Hajda J., Čírtek J.: Markovovy modely, Skryté Markovovy modely, FEKT [11] Krejčí P., Kučka P.: Diagonalizace a omezení dimenzí (PCA, LDA, HLDA), FEKT 2005.

43 DĚKUJI ZA POZORNOST