Tiểu luận môn hệ hỗ trợ quyết định NGHIÊN CỨU VÀ CÀI ĐẶT CÁC THUẬT TOÁN PHÂN LỚP TRONG KHAI PHÁ DỮ LIỆU
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (1.25 MB, 46 trang )
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN
HỆ HỖ TRỢ RA QUYẾT ĐỊNH
o0o
BÀI THU HOẠCH
NGHIÊN CỨU VÀ CÀI ĐẶT CÁC THUẬT
TOÁN PHÂN LỚP TRONG KHAI PHÁ DỮ
LIỆU
Giảng viên:
PGS. TS. Đỗ Phúc
Học viên thực hiện:
Lê Duy Đắc Nhân CH1301045
Cao Học Khóa 08
TPHCM, 06/2014
Lời cám ơn.
GV: PGS. TS. Đỗ Phúc HVTH: Lê Duy Đắc Nhân
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
Em xin chân thành cám ơn TS. Đỗ Phúc đã tận tình hướng dẫn, chỉ bảo chúng em trong
suốt thời gian học chuyên đề này.
Xin chân thành cám ơn quý thầy cô trong Trường Đại Học Công Nghệ Thông Tin, Đại
Học Quốc Gia Tp.HCM đã tận tình giảng dạy, trang bị cho em những kiến thức quý báu, tạo
mọi điều kiện tốt cho chúng em học tập và nghiên cứu.
Xin chân thành cám ơn gia đình và bạn bè đã ủng hộ, giúp đỡ và động viên em trong
thời gian học tập và nghiên cứu.
Mặc dù đã cố gắng hoàn thành bài luận nhưng chắc chắn không tránh khỏi thiếu sót. Em
kính mong nhận được sự thông cảm và tận tình chỉ bảo của quý thầy cô.
Học viên thực hiện
Lê Duy Đắc Nhân
TPHCM, 06/2014
Mục Lục
GV: PGS. TS. Đỗ Phúc HVTH: Lê Duy Đắc Nhân
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
GV: PGS. TS. Đỗ Phúc HVTH: Lê Duy Đắc Nhân
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
Chương 1: THUẬT TOÁN FIND-S
1. HỌC KHÁI NIỆM VÀ BÀI TOÁN CỤ THỂ
Theo Tom M.Mitchell: “Nhiều vấn đề học đòi hỏi các khái niệm tổng quát thu được từ
các ví dụ huấn luyện. … Vấn đề tự động kết luận về sự xác định tổng quát nhất của một vài
khái niệm, các ví dụ cho trước được ghi nhãn có phải là bộ phận của khái niệm hay không,
nhiệm vụ đó thường được xem như là học khái niệm.”
1.1. Học khái niệm
- Cho trước các ví dụ huấn luyện. mỗi ví dụ huấn luyện cho biết có thuộc khái
niệm hay không? (thuộc: positive; không: negative)
- Đưa ra khái niệm tổng quát phân loại tập huấn luyện. Khái niệm tổng quát là
hàm boolean được định nghĩa trên tập cá thể.
- “Học khái niệm là đưa ra một hàm boolean từ tập input và putput của các ví dụ
huấn luyện” (Tom M.Mitchell – Machine Learning)
• Ví dụ:
o (Input) Các ví dụ huấn luyện:
Tập các animal cùng thuộc tính của nó.
o (Output) Khái niệm được trích ra:
Bird
Cat
…
1.2. Bài toán cụ thể
- (Input) Tập ví dụ huấn luyện gồm 4 cá thể sau:
o Tập này nói về những ngày (như thế nào đó) mà Aldo thích chơi môn
thể thao dưới nước của anh ta (Table 2.1 – Positive and negative
training examples gor thw target concept EnjoySport, Machine Learning
– Tom M.Mitchell, 2003).
Example Sky
AirTem
p
Humidit
y
Wind Water Forecast EnjoySport
1 Sunny Warm Normal Strong Warm Same Positive
2 Sunny Warm High Strong Warm Same Positive
3 Rainy Cold High Strong Warm Change Negative
4 Sunny Warm High Strong Cool Change Positive
Bảng 1.1 – Các ví dụ huấn luyện thuộc và không thuộc khái niệm đích EnjoySport
- (Output) Khái niệm được học: “EnjoySport”
1.3. Giả thiết
GV: PGS. TS. Đỗ Phúc 4 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
- Cũng được hiểu là khái niệm. Là hội của các ràng buộc trên thuộc tính của cá
thể.
- X là cá thể, và X thoả mãn tất cả các ràng buộc trên giả thiết h thì h [hân loại X
là positive (h(X) = 1)
- Ví dụ: Giả thiết là Aldo thích môn thể thao dưới nước vào nagỳ “cold days with
high humidity”, giả thiết được ghi là:
o <?, Clod, High, ?, ?, ?>
- Giả thiết tổng quát nhất:
o <?, ?, ?, ?, ?, ?>
- Giả thiết cụ thể nhất:
o <Ø, Ø, Ø, Ø, Ø, Ø>
1.4. Ký hiệu
- Tập cá thể (set of instances)
o Tập được dùng để trích khái niệm từ đó
o Ký hiệu: X
o Ví dụ trên: tập cá thể = tập ngày, mỗi ngày có 6 thuộc tính.
- Khái niệm đích (target concep)
o Khái niệm (hàm) được học.
o Ký hiệu: c
c: X {0,1}
Ví dụ trên: c(X) = 1 nếu EnjoySport = Yes
Ví dụ trên: c(X) = 0 nếu EnjoySport = No
- Các ví dụ huấn luyện, gồm có:
o Một cá thể thuộc X.
o Khái niệm đích c(X).
Viết là: <X, x(X)>
- Tập các giả thiết (H): các giả thiết về sự phân loại tập cá thể.
- Chương trình học:
o Cho trước tập ví dụ huấn luyện.
o Đưa ra giả thiết về sự phân loại tập cá thể: h(X) = c(X)
1.5. Thứ tự các giả thiết
- Các giả thiết trong không gian đều có thứ tự
- Có thể sắp xếp theo dạng: Tổng quát cụ thể.
- Thứ tự:
o hj và hk là hai giả thiết.
o hj được nó là tổng quát hơn hay bằng hk nếu và chỉ nếu:
(∀x Є X)[(h
k
(x) = 1) (h
j
(x) =1)]
o Ký hiệu:
h
j
≥
g
h
k
- Ví dụ: h
2
≥
g
h
1
với h
1
và h
2
sau:
o h
1
= <Sunny, ?, ? , Strong, ?, ?>
o h
2
= <Sunny, ?, ? , ?, ?, ?>
2. THUẬT TOÁN FIND – S: TÌM MỘT GIẢ THUYẾT ĐẶC THÙ NHẤT
GV: PGS. TS. Đỗ Phúc 5 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
2.1. Thuật toán Find-S
1. h = giả thiết cụ thể nhất trong H.
2. Với mỗi x Є tập ví dụ huấn luyện, mà c(X) = 1
o Với mỗi ràng buộc a
i
trong h
IF a
i
thoả bởi x
THEN do nothing
ELSE
thay a
i
bởi ràng buộc tổng quát hơn kế tiếp mà nó được thoả
bởi x
3. Xuất ra h.
2.2. Áp dụng thuật toán với ví dụ huấn luyện mục 1.2:
- h < ∅ , ∅ , ∅ , ∅ , ∅ , ∅ >
- Cá thể 1 (positive):
<Sunny, Warm, Normal, Strong , Warm , Same >
o h <Sunny, Warm, Normal, Strong , Warm , Same >
- Cá thể 2 (positive):
<Sunny, Warm, High, Strong , Warm , Same >
o h <Sunny, Warm, ?, Strong , Warm , Same >
- Cá thể 3 (negative): h không đổi.
- Cá thể 4 (positive):
<Sunny, Warm, High, Strong , Cold , Change >
o h <Sunny, Warm, ?, Strong , ? , ? >
- OUTPUT: <Sunny, Warm, ?, Strong , ? , ? >
3. CÀI ĐẶT CHƯƠNG TRÌNH
3.1. Ngôn ngữ lập trình, biến môi trường, các thư viện được sử dụng
- Thuật toán Find-S được viết bằng ngôn ngữ Maple (dùng Maple 12), sau đó đóng gói lại
thành môt thư viện và lưu vào thư mục “C:\Find-S\”.
- Chương trình được viết hoàn chỉnh dưới dạng thể hiện form liên kết bên dưới với
package đã được tạo ra ở trên, bằng ngôn ngữ Java (dùng NetBeans IDE 6.5).
- Biến môi trường:
o Mục đích: kết nối Maple với Java
o Cách đặt biến môi trường:
Click chuột phải vào My computer, chọn Properties.
Trong hộp thoại mới hiện ra, chọn tiếp Advanced System Setting nếu là
Win Vista hoặc Win 7, Win XP thì chọn Advanced.
Trong hộp thoại System Properties, chọn Environment Variables…
GV: PGS. TS. Đỗ Phúc 6 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
Trong bảng System Variables, chọn Path trong phần Variables, rồi bấm
Edit.
Trong hộp thoại Edit System Variable, thêm dòng sau vào mục Variable
value “C:\Program Files\Maple 12\bin.win”. Lưu ý: ngăn cách giữa các
Variable value là các dấu “;”.
Bấm chọn OK (hoặc Apply) để đồng ý thay đổi.
Khởi động lại máy.
- Một số thư viện đặc biệt được sử dụng:
o com.maplesoft.openmaple.* : import các lớp OpenMaple của Java.
o com.maplesoft.externalcall.MapleException : import lớp MapleException.
Ngoài ra, chương trình còn sử dụng Maple Engine, engine này có chức năng kết nối
với Maple để thực hiện các lệnh trong Maple.
3.2. Cấu trúc, chức năng các tập tin cài đặt và tập tin training examples
3.2.1. Các tập tin cài đặt:
- Tập tin Find-S.mw: cài đặt thuật toán Find-S rồi đóng gói lại thành thư viện bằng
chương trình Maple 12.
- Tập tin demo.mw: chạy thử thuật toán đã được cài đặt ở trên với một số dữ liệu huấn
luyện.
- Tập tin Main.java: tạo form với các thao tác tương ứng trong chương trình (Tạo bảng,
Đọc ví dụ huấn luyện từ tập tin, Hiển thị giả thiết đặc thù nhất).
3.2.2. Các tập tin training examples:
Cấu trúc chung của các tập tin training examples dạng .txt là:
- Mỗi dòng là một mô tả chi tiết các thuộc tính của một cá thể trong tập cá thể, mỗi thuộc
tính cách nhau ít nhất một khoảng trắng hoặc một tab. Mỗi thuộc tính có một số giá trị
hữu hạn. Cuối cùng là khái niệm đích.
- Thứ tự giá trị cho mỗi thuộc tính trong ví dụ đó được nhập tương ứng. Tên tập tin, thuộc
tính và các giá trị không chấp nhận các giá trị đặc biệt như: `, ~, &, (, ), !, #, %, ^, -, \, |,
{, }, [, ], ;, có thể chấp nhận ký tự gạch dưới.
3.3. Nội dung các hàm chính và các tham số có liên quan
- Trong Java, tập tin Main.java:
o public Main() throwMapleException:
Khởi tạo Maple Engine với Java.
Đồng thời đặt Table không có Header.
o void jButton2ActionPerformed(java.awt.event.ActionEvent evt):
GV: PGS. TS. Đỗ Phúc 7 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
Sự kiện của button Show Version Space, hiển thị những giả thiết phù hợp
với Training Examples.
Gọi ShowMaximallySpecificHypothesis()
o void jButton3ActionPerformed(java.awt.event.ActionEvent evt):
Sự kiện của button ReadFromFile.
o void jButton4ActionPerformed(java.awt.event.ActionEvent evt):
Sự kiện button Create Table.
Tạo bảng với số dòng và số cột được cho trong jTextField1
ColunmCount và jTextField2 RowCount
o void ShowMaximallySpecificHypothesis()
Hiển thị Maximally Specific Hypothesis lên jTextArea1
Thực hiện hàm FindS của package FindSAlgorithm bằng Maple với tập
ví dụ huấn luyện đưa vào là D, sau đó lấy kết quả Maximally Specific
Hypothesis trả về hiển thị lên jTextArea1 Maximally Specific Hypothesis
trong form. Chuỗi S chứa tập ví dụ từ D[1] đến D[i], nhằm hiển thị kết
quả theo từng bước thực hiện giải thuật.
- Trong Maple, tập tin Find-S.mw:
+ Finding maximally specific hypothesis consistent with the training examples D
FindS:=proc(D::list)
h: kết quả trả về
x: danh sách lưu mỗi ví dụ, không bao gồm giá trị phân loại
cx: bằng 1 nếu giá trị của thuộc tính phân loại là positive, bằng 0 nếu là negative
local h,x,cx,d,i;
h:=[];
h ← giả thiết đặc thù nhất
if nops(D)<>0 then
for i from 1 to nops(D[1][1]) do
h:=[op(h),` `];
od;
fi;
Với mỗi ví dụ huấn luyện d
for d in D do
x:=d[1];
cx:=d[2];
Nếu d là 1 positive example
if cx=1 then
Đối với mỗi ràng buộc trên thuộc tính trong h
for i from 1 to nops(h) do
Nếu x thỏa ràng buộc trên thuộc tính trong h thì không làm gì cả
if h[i]=x[i] or h[i]=`?` then
# do nothing
GV: PGS. TS. Đỗ Phúc 8 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
Ngược lại, thay thế ràng buộc trong h bằng một ràng buộc tổng quát hơn
để x thỏa nó
else
if h[i]=` ` then
h[i]:=x[i];
else
h[i]:=`?`;
fi;
fi;
od;
fi;
od;
RETURN (h);
end:
+ Kiểm tra x có thỏa h hay không (x thỏa h nghĩa là h(x)=1, bất kể x là positive hay
negative), kết quả trả về bằng 1 nếu thỏa, bằng 0 nếu ngược lại
Classification:=proc(h::list,x::list)
local i;
for i from 1 to nops(h) do
if h[i]=`?` or h[i]=x[i] then
# do nothing
elif h[i]=` ` or h[i]<>x[i] then
RETURN (0);
fi;
od;
RETURN (1);
end:
4. HƯỚNG DẪN SỬ DỤNG CHƯƠNG TRÌNH
- Đặt biến môi trường như mục 3.1
- Tạo thư mục Find-S tại thư mục gốc ổ đĩa C (tức là thư mục Find-S có đường dẫn như
sau “C:\Find-S\”). Sau đó chạy tập tin Find-S.mw với phần mềm Maple để đóng gói
thuật toán thành package lưu vào thư mục vừa tạo ở trên.
- Chạy project Find-S với NetBeans. Giao diện chương trình như sau:
GV: PGS. TS. Đỗ Phúc 9 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
- Có thể tạo tập ví dụ huấn luyện bằng một trong hai cách sau:
o Tạo mới một Table: bằng cách nhập số cột (vào mục Column Count) và số dòng
(vào mục Row Count) rồi bấm nút Create Table.
o Bấm nút Read From File để load tập tin Training Examples sẵn có với cấu trúc
giống như mô tả trong mục 3.2.2
- Bấm nút Show để hiện thị các giả thiết đặc thù nhất từ tập ví dụ huấn luyện.
5. MỘT SỐ VÍ DỤ VÀ KẾT QUẢ CHƯƠNG TRÌNH
5.1. EnjoySport training examples:
- TrainingExample1.txt
Sunny Warm Normal Strong Warm Same Positive
Sunny Warm High Strong Warm Same Positive
Rainy Cold High Strong Warm Change Negative
Sunny Warm High Strong Cool Change Positive
- Hiển thị Maximally Specific Hypothesis theo từng bước tính toán:
h1 = [Sunny, Warm, Normal, Strong, Warm, Same]
h2 = [Sunny, Warm, `?`, Strong, Warm, Same]
GV: PGS. TS. Đỗ Phúc 10 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
h3 = [Sunny, Warm, `?`, Strong, Warm, Same]
h4 = [Sunny, Warm, `?`, Strong, `?`, `?`]
Kết quả thuật toán chính xác với phần áp dụng thuật toán cho ví dụ huấn
luyện mục 2.2
- Phân lớp một New Instance mới:
x:= [Sunny,Cold,Low,Strong,Warm,Same]
Kết quả x thuộc lớp: Negative
5.2. Sunburned training examples:
- TrainingExample2.txt
blonde average light no negative
blonde tall average yes positive
brown short average yes positive
blonde short average no negative
red average heavy no negative
brown tall heavy no positive
brown average heavy no positive
blonde short light yes positive
- Hiển thị Maximally Specific Hypothesis theo từng bước tính toán:
h1 = [` `, ` `, ` `, ` `]
h2 = [blonde, tall, average, yes]
h3 = [`?`, `?`, average, yes]
h4 = [`?`, `?`, average, yes]
h5 = [`?`, `?`, average, yes]
h6 = [`?`, `?`, `?`, `?`]
h7 = [`?`, `?`, `?`, `?`]
h8 = [`?`, `?`, `?`, `?`]
- Phân lớp một New Instance mới:
x:=[blonde,short,light,no]
Kết quả x thuộc lớp: Positive
5.3. Auto training examples:
- TrainingExample3.txt
Japan Honda Blue 1980 Sedan Positive
Japan Toyota Green 1970 Sports Negative
Japan Toyota Blue 1990 Sedan Positive
GV: PGS. TS. Đỗ Phúc 11 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
USA Dodge Red 1980 Sedan Negative
Japan Honda White 1980 Sedan Positive
- Hiển thị Maximally Specific Hypothesis theo từng bước tính toán:
h1 = [Japan, Honda, Blue, `1980`, Sedan]
h2 = [Japan, Honda, Blue, `1980`, Sedan]
h3 = [Japan, `?`, Blue, `?`, Sedan]
h4 = [Japan, `?`, Blue, `?`, Sedan]
h5 = [Japan, `?`, `?`, `?`, Sedan]
- Phân lớp một New Instance mới:
x:= [Japan,Honda,Red,1990,Sports]
Kết quả x thuộc lớp: Negative
Chương 2: THUẬT TOÁN ID3
1. MÔ TẢ CHUNG THUẬT TOÁN ID3 VÀ BÀI TOÁN
GV: PGS. TS. Đỗ Phúc 12 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
1.1. Thuật toán ID3
Thuật toán học quy nạp (inductive learning algorithm) cây quyết định ID3 là một thuật toán
được sử dụng rộng rãi trong số nhiều thuật toán được đưa ra theo tiếp cận học dựa trên ký hiệu biểu
diễn vấn đề dưới dạng các ký hiệu (symbol-based learning).
Thuật toán học quy nạp cây ID3 (gọi tắt là ID3) là một thuật toán học đơn giản nhưng tỏ ra
thành công trong nhiều lĩnh vực. ID3 là một thuật toán hay vì cách biểu diễn tri thức học được của
nó, tiếp cận của nó trong việc quản lý tính phức tạp, Heuristic của nó dùng cho việc chọn lựa các
khái niệm ứng viên và tiềm năng của nó đối với việc xử lý dữ liệu nhiễu.
ID3 biểu diễn các khái niệm ở dạng các cây quyết định. Biểu diễn này cho phép chúng ta
xác định phân loại của một đối tượng bằng cách kiểm tra các giá trị của nó trên một số thuộc tính
nào đó.
Như vậy, nhiệm vụ của thuật toán ID3 là học cây quyết định từ một tập các ví dụ huấn luyện
(training examples) hay còn gọi là dữ liệu huấn luyện. Hay nói khác hơn, thuật toán có:
- Đầu vào: Một tập hợp các ví dụ. Mỗi ví dụ bao gồm các thuộc tính mô tả một tình
huống, hay một đối tượng nào đó, và một giá trị phân loại của nó.
- Đầu ra: Cây quyết định có khả năng phân loại đúng đắn các ví dụ trong tập dữ liệu huấn
luyện, cũng như đối với các ví dụ khác.
1.2. Xét một bài toán phân loại cụ thể
Xét bài toán phân loại xem “có đi chơi Tennis” (PlayTennis) ứng với một điều kiện
nào đó hay không? Thuật toán ID3 sẽ học cây quyết định từ tập hợp các ví dụ huấn luyện
sau (Table 3.2 – Training examples for target concept PlayTennis, Machine Learning –
Tom M.Mitchell, 2003):
Day Outlook Temp Humidity Wind PlayTennis
D1 Sunny Hot High Weak No
D2 Sunny Hot High Strong No
D3 Overcast Hot High Weak Yes
D4 Rain Mild High Weak Yes
D5 Rain Cool Normal Weak Yes
D6 Rain Cool Normal Strong No
D7 Overcast Cool Normal Strong Yes
D8 Sunny Mild High Weak No
D9 Sunny Cool Normal Weak Yes
GV: PGS. TS. Đỗ Phúc 13 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
D10 Rain Mild Normal Weak Yes
D11 Sunny Mild Normal Strong Yes
D12 Overcast Mild High Strong Yes
D13 Overcast Hot Normal Weak Yes
D14 Rain Mild High Strong No
Bảng 1.1 – Tập dữ liệu huấn luyện cho khái niệm “PlayTennis”
Tập dữ liệu này bao gồm 14 ví dụ. Mỗi ví dụ biểu diễn cho điều kiện thời tiết gồm các thuộc
tính Outlook (quang cảnh), Temp (nhiệt độ), Humidity (độ ẩm) và Wind (gió); và đều có một thuộc
tính phân loại PlayTennis (Yes, No), còn được gọi là thuộc tính đích. “No” nghĩa là không đi chơi
Tennis ứng với thời tiết đó, “Yes” nghĩa là ngược lại. Giá trị phân loại ở đây chỉ có hai loại (Yes,
No).
Mỗi thuộc tính đều có một tập các giá trị hữu hạn. Thuộc tính Outlook có ba giá trị
(Overcast, Rain, Sunny), Temp có ba giá trị (Hot, Cool, Warm), Humidity có hai giá trị (High,
Normal) và Wind có hai giá trị (Strong, Weak). Các giá trị này chính là ký hiệu (symbol) dùng để
biểu diễn bài toán.
2. THUẬT TOÁN ID3 VÀ CƠ SỞ LÝ THUYẾT
Quinlan (1983) là người đầu tiên đề xuất việc sử dụng lý thuyết thông tin để tạo ra các cây
quyết định và công trình của ông là cơ sở cho phần trình bày ở đây. Lý thuyết thông tin của
Shannon (1948) cung cấp khái niệm Entropy để đo tính thuần nhất (hay ngược lại là độ pha trộn)
của một tập hợp. Một tập hợp là thuần nhất nếu như tất cả các phần tử của tập hợp đều thuộc cùng
một loại, và khi đó ta nói tập hợp này có độ pha trộn là thấp nhất. Trong trường hợp của tập ví dụ,
thì tập ví dụ là thuần nhất nếu như tất cả các ví dụ đều có cùng giá trị phân loại.
Khi tập ví dụ là thuần nhất thì có thể nói: ta biết chắc chắn về giá trị phân loại của một ví dụ
thuộc tập này, hay ta có lượng thông tin về tập đó là cao nhất. Khi tập ví dụ có độ pha trộn cao nhất,
nghĩa là số lượng các ví dụ có cùng giá trị phân loại cho mỗi loại là tương đương nhau, thì khi đó ta
không thể đoán chính xác được một ví dụ có thể có giá trị phân loại gì, hay nói khác hơn, lượng
thông tin ta có được về tập này là ít nhất. Vậy, ta cần chọn thuộc tính để hỏi sao cho có thể chia tập
ví dụ ban đầu thành các tập ví dụ thuần nhất càng nhanh càng tốt. Vậy trước hết, ta cần có một phép
đo để đo độ thuần nhất của một tập hợp, từ đó mới có thể so sánh tập ví dụ nào thì tốt hơn.
GV: PGS. TS. Đỗ Phúc 14 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
2.1. Entropy đo tính thuần nhất của tập ví dụ
Khái niệm entropy của một tập S được định nghĩa trong Lý thuyết thông tin là số lượng
mong đợi các bít cần thiết để mã hóa thông tin về lớp của một thành viên rút ra một cách ngẫu
nhiên từ tập S. Trong trường hợp tối ưu, mã có độ dài ngắn nhất. Theo lý thuyết thông tin, mã có độ
dài tối ưu là mã gán –log2p bits cho thông điệp có xác suất là p.
Trong trường hợp S là tập ví dụ, thì thành viên của S là một ví dụ, mỗi ví dụ thuộc một lớp
hay có một giá trị phân loại.
Entropy có giá trị nằm trong khoảng [0 1],
Entropy(S) = 0 tập ví dụ S chỉ toàn ví dụ thuộc cùng một loại, hay S là thuần nhất.
Entropy(S) = 1 tập ví dụ S có các ví dụ thuộc các loại khác nhau với độ pha trộn là cao nhất.
0 < Entropy(S) < 1 tập ví dụ S có số lượng ví dụ thuộc các loại khác nhau là không bằng
nhau.
Để đơn giản ta xét trường hợp các ví dụ của S chỉ thuộc loại âm (-) hoặc dương (+).
Hình 3.4 minh họa sự phụ thuộc của giá trị entropy vào xác
suất xuất hiện của ví dụ dương.
Cho trước:
• Tập S là tập dữ liệu rèn luyện, trong đó thuộc tính phân loại
có hai giá trị, giả sử là âm (-) và dương (+)
• p
+
là phần các ví dụ dương trong tập S.
• p
_
là phần các ví dụ âm trong tập S.
Khi đó, entropy đo độ pha trộn của tập S theo công thức
sau:
Entropy(S) = - p
+
log
2
p
+
- p
-
log
2
p
-
GV: PGS. TS. Đỗ Phúc 15 HVTH: Huỳnh Tuấn Anh
Hình 3.4 – Entropy(S)
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
Một cách tổng quát hơn, nếu các ví dụ của tập S thuộc nhiều hơn hai loại, giả sử là có c giá
trị phân loại thì công thức entropy tổng quát là:
Entropy(S) =
I
log
2
p
i
2.2. Lượng thông tin thu được đo mức độ giảm entropy mong đợi
Entropy là một số đo đo độ pha trộn của một tập ví dụ, bây giờ chúng ta sẽ định nghĩa một
phép đo hiệu suất phân loại các ví dụ của một thuộc tính. Phép đo này gọi là lượng thông tin thu
được, nó đơn giản là lượng giảm entropy mong đợi gây ra bởi việc phân chia các ví dụ theo thuộc
tính này.
Một cách chính xác hơn, Gain(S,A) của thuộc tính A, trên tập S, được định nghĩa như sau:
Gain (S,A) = Entropy (S) - Entropy (S
v
) trong đó Values(A) là tập hợp có thể có các giá trị của
thuộc tính A, và S
v
là tập con của S chứa các ví dụ có thuộc tính A mang giá trị v.
2.3. Áp dụng cụ thể cho ví dụ huấn luyện ở Bảng 1.1
- Bước 1: cây cho S
o Gain(S, Outlook) = 0.246
o Gain(S, Humidity) = 0.151
o Gain(S, Wind) = 0.048
o Gain(S, Temperature) = 0.029
Outlook : thuộc tính phân loại tốt nhất tại bước này.
Outlook: root node.
• Cây như sau:
GV: PGS. TS. Đỗ Phúc 16 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
- Bước 2: Cây cho S
sunny
o S
sunny
={D1,D2,D8,D9,D11}
o Gain(S
sunny
, Humidity) = 0.97- (3/5)0.0 – (2/5)0.0 = 0.97
o Gain(S
sunny
, Wind) = 0.97 – (2/5)1.0 –(3/5)0.918 = 0.019
o Gain(S
sunny
, Temperature) = 0.97-(2/5)0.0-(2/5)1.0-(1/5)0.0=0.57
Humidity : thuộc tính phân loại tốt nhất tại bước này.
Humidity: root của Ssunny.
• Cây như sau:
- Bước 3: Cây cho S
rain
o S
rain
={D4,D5,D6,D10,D14}
• Kết quả:
GV: PGS. TS. Đỗ Phúc 17 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
- Điều kiện dừng:
o Mọi nút là đều nằm vào 1 trong hai trường hợp:
1. Tất cả các thuộc tính đều đã nằm trên node thuộc con đường từ root
đến lá đó.
2. Node lá có entropy = 0.
• Entropy=0, Tất cả cá thể đều + Phân loại Yes.
• Entropy=0, Tất cả cá thể đều - Phân loại No.
2.4. Thuật toán ID3
- Tạo node gốc cho cây.
- if tất cả các cá thể là positive then trả về cây chỉ có node, nhãn là +
- if tất cả các cá thể là negative then trả về cây chỉ có node, nhãn là –
- if Attributes trống then trả về cây chỉ có 1 node, nhãn là giá trị chung nhất của
Target_Attribute trong tập cá thể.
- else: Begin
o A Thuộc tính từ Attributes tốt nhất phân loại tập cá thể.
o Thuộc tính cho root là A. (root A)
o For each trị V
i
của A:
Thêm 1 nhánh mới dưới root, tương ứng A = V
i
.
Examples
Vi
= tập con các cá thể thuộc Examples có A=V
i
.
if Examples
Vi
trống:
• then dưới nhánh mới này, thêm 1 node lá có nhãn = trị chung nhất
của Target_Attribute trong Examples.
• else dưới nhánh mới này thêm 1 cây con, trả về từ lời gọi:
ID3(Examples
Vi
, Target_Attribute, Attributes – {A})
- End. /*Begin*/
- Return Root.
3. CÀI ĐẶT CHƯƠNG TRÌNH
GV: PGS. TS. Đỗ Phúc 18 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
3.1. Ngôn ngữ lập trình, biến môi trường, các thư viện được sử dụng
- Thuật toán ID3 được viết bằng ngôn ngữ Maple (dùng Maple 12), sau đó đóng gói lại
thành môt thư viện và lưu vào thư mục “C:\ID3\”.
- Chương trình được viết hoàn chỉnh dưới dạng thể hiện form liên kết bên dưới với
package đã được tạo ra ở trên, bằng ngôn ngữ Java (dùng NetBeans IDE 6.5).
- Biến môi trường:
o Mục đích: kế nối Java với Maple
o Cách đặt biến môi trường:
Click chuột phải vào My computer, chọn Properties.
Trong hộp thoại mới hiện ra, chọn tiếp Advanced System Setting nếu là
Win Vista hoặc Win 7, Win XP thì chọn Advanced.
Trong hộp thoại System Properties, chọn Environment Variables…
Trong bảng System Variables, chọn Path trong phần Variables, rồi bấm
Edit.
Trong hộp thoại Edit System Variable, thêm dòng sau vào mục Variable
value “C:\Program Files\Maple 12\bin.win”. Lưu ý: ngăn cách giữa các
Variable value là các dấu “;”.
Bấm chọn OK (hoặc Apply) để đồng ý thay đổi
Khởi động lại máy.
- Một số thư viện đặc biệt được sử dụng:
o com.maplesoft.openmaple.* : import các lớp OpenMaple của Java.
o com.maplesoft.externalcall.MapleException : import lớp MapleException.
Ngoài ra, chương trình còn sử dụng Maple Engine, engine này có chức năng kết nối
với Maple để thực hiện các lệnh trong Maple.
3.2. Cấu trúc, chức năng các tập tin cài đặt và tập tin training examples
3.2.1. Các tập tin cài đặt:
- Tập tin ID3.mw: cài đặt thuật toán ID3 rồi đóng gói lại thành thư viện bằng chương trình
Maple 12.
- Tập tin demo.mw: chạy thử thuật toán đã được cài đặt ở trên với một số dữ liệu huấn
luyện; tính các chỉ số Entropy, Gain… trong các trường hợp tương ứng.
- Tập tin DecisionTreeFrame.java: hiển thị cây quyết định.
- Tập tin Main.java: tạo form với các thao tác tương ứng (Tạo bảng, Đọc ví dụ huấn luyện
từ tập tin, Hiển thị các luật, Hiển thị cây quyết định).
3.2.2. Các tập tin training examples:
Cấu trúc chung của các tập tin training examples dạng .txt là:
GV: PGS. TS. Đỗ Phúc 19 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
- Dòng đầu tiên mô tả các thuộc tính có trong ví dụ huấn luyện, mỗi thuộc tính cách nhau
ít nhất một khoảng trắng hoặc một tab. Thuộc tính cuối cùng là thuộc tính phân loại.
Mỗi thuộc tính có một số giá trị hữu hạn.
- Mỗi dòng kế tiếp là một ví dụ huấn luyện, thứ tự giá trị cho mỗi thuộc tính trong ví dụ
đó được nhập tương ứng. Tên tập tin, thuộc tính và các giá trị không chấp nhận các giá
trị đặc biệt như: `, ~, &, (, ), !, #, %, ^, -, \, |, {, }, [, ], ;, có thể chấp nhận ký tự gạch
dưới.
3.3. Nội dung các hàm chính và các tham số có liên quan
- Trong Java:
+ Tập tin Main.java:
o public Main() throws MapleException:
Khởi tạo Maple Engine với Java.
Đồng thời đặt Table không có Header.
o String GetDecisionTree():
Gán các thuộc tính cho chuỗi A, gán các tập ví dụ cho S lấy từ bảng dữ
liệu Training Examples trong form.
Thực hiện các lệnh trong Maple với package ID3.lib trong thư mực
C:/ID3/, gán các giá trị cho từng thuộc tính trong bảng dữ liệu Training
Examples (từ form); thực hiện giải thuật ID3 bằng Maple cho tập thuộc
tính A và tập ví dụ S
o Vector ListNodes(String Nodes):
Chuyển chuỗi Nodes kết quả trả về của hàm GetNodes(T) trong Maple
thành 1 Vector trong Java.
Thành phần của Vector sẽ là mỗi nút được lưu thành 1 danh sách gồm nút
cha và các nút con, mỗi nút sẽ được tách bởi dấu "|" để phân biệt giữa 2
nút, để vẽ các nút trong form DecisionTreeFrame.java.
o void jButton1ActionPerformed(java.awt.event.ActionEvent evt):
Sự kiện của button ShowDecisionTree, hiển thị cây quyết định trên form
DecisionTreeFrame.
Thực hiện lệnh GetNodes(T) để chuyển chuỗi T, là danh sách các nhánh
của cây quyết định từ Maple với Training Examples lấy từ bảng dữ liệu
trong form, sang danh sách các nút để vẽ cây quyết định ở Form
DecisionTreeFrame.
o void jButton2ActionPerformed(java.awt.event.ActionEvent evt):
Sự kiện của button ShowRules, hiển thị các luật.
Chuyển từ chuỗi T, là danh sách các nhánh của cây quyết định từ Maple
với Training Examples lấy từ bảng dữ liệu trong form, sang các luật.
+ Tập tin DecisionTreeFrame:
o void paintComponent(Graphics g): hàm vẽ cây quyết định
GV: PGS. TS. Đỗ Phúc 20 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
Duyệt qua các nút con của nút parent (khởi tạo = 0). Trường hợp nếu chỉ
có 1 nút con, vẽ nút đó ngay bên dưới nút parent; nếu số nút con là chẵn,
vẽ bên dưới nút parent, lấy nút parent là điểm giữa cách đều các nút con;
nếu số nút con là lẻ, vẽ bên dưới nút parent, lấy phần tử ở giữa của nút
con là điểm cách đều.
Vẽ 1 đường thẳng từ nút parent đến các nút con.
- Trong Maple, tập tin ID3.mw:
+ Hàm tìm tập con Sv của S1 cho mỗi thuộc tính attr có giá trị là val(Sv = {s ∈S ∣ A(s)
= 0})
Sv:=proc(S1,attr,val)
result: lưu tập con Sv của S1 (dưới dạng danh sách)
local i,j,result;
result:=[];
for i from 1 to nops(A) do
if attr=A[i] then
for j from 1 to nops(S1) do
if S1[j][i]=val then
result:=[op(result),S1[j]];
fi;
od;
fi;
od;
if attr=target_attribute then
for j from 1 to nops(S1) do
if S1[j][nops(A)+1]=val then
result:=[op(result),S1[j]];
fi;
od;
fi;
RETURN (result);
end:
+ Hàm tính Entropy của tập S1: Entropy(S1)=
Entropy:=proc(S1)
E: biến lưu giá trị Entropy
p: tỉ lệ của ví dụ huấn luyện ứng với mỗi giá trị của thuộc tính phân loại
val: danh sách giá trị của thuộc tính phân loại
local E,p,i,val;
E:=0;
val:=GetValue(target_attribute);
for i from 1 to nops(val) do
if nops(S1)<>0 then
p = số phần tử tập con Sv của S1 cho thuộc tính phân loại có giá trị là
val[i] trên tổng số phần tử của S1
p:=nops(Sv(S1,target_attribute,val[i]))/nops(S1);
GV: PGS. TS. Đỗ Phúc 21 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
fi;
if p<>0 then
E:=E+(-p*log[2](p));
fi;
od;
RETURN (E);
end:
+ Hàm tính Gain của thuộc tính attr trên tập S
Gain:=proc(S1,attr)
G: Entropy(S) - s;
s = Entropy(Sv1)
local G,s,Sv1,i,val;
G:=0;s:=0;
val:=GetValue(attr);
for i from 1 to nops(val) do
Sv1:=Sv(S1,attr,val[i]);
if nops(S1)<>0 then
s:=s+nops(Sv1)/nops(S1)*Entropy(Sv1);
fi;
od;
G:=Entropy(S1)-s;
RETURN (G);
end:
+ Hàm tính giá trị phổ biến của thuộc tính attr
CommonValue:=proc(attr)
val: danh sách giá trị của thuộc tính attr
s: tập con Sv của S cho thuộc tính attr có giá trị là val[i]
CV: giá trị phổ biến
local i,max,val,s,CV;
max:=0;
val:=GetValue(attr);
for i from 1 to nops(val) do
s:=Sv(S,attr,val[i]);
if max<nops(s) then
max:=nops(s);
CV:=val[i];
fi;
od;
RETURN (CV);
end:
+ Hàm xây dựng cây quyết định
Các tham số đầu vào:
Examples: training examples
Attributes: danh sách các thuộc tính đã được kiểm tra bởi cây quyết định
Trả về cây quyết định của Examples
InduceTree:=proc(Examples,Attributes)
GV: PGS. TS. Đỗ Phúc 22 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
global branch,T;
g: Tính giá trị Gain của mỗi thuộc tính trong danh sách các thuộc tính Attributes
trên tập Examples
maxG: giá trị Gain cao nhất
A1: thuộc tính được chọn bởi giá trị Gain cao nhất
V: danh sách các giá trị của thuộc tính A1
Vi: mỗi giá trị trong V
ExamplesVi: tập con của Examples cho thuộc tính A1 có giá trị là Vi
val: danh sách các giá trị của thuộc tính phân loại
vertice: mỗi đỉnh trong cây quyết định
turn: lưu lại đỉnh rẽ nhánh trước đó của cây quyết định
T: danh sách các nhánh của cây, có nhánh ko lưu hết từ nút gốc đến nút lá mà chỉ
lưu từ chỗ rẽ nhánh của nhánh cây trước đến nút lá
local g,maxG,i,A1,V,Vi,ExamplesVi,val,vertice,turn;
maxG:=0;
val:=GetValue(target_attribute);
Nếu mọi ví dụ trong tập ví dụ đều nằm trong cùng một lớp thì return một lớp
được gán nhãn bởi lớp đó
for i from 1 to nops(val) do
if
nops(Sv(Examples,target_attribute,val[i]))=nops(Examples
) then
branch:=[op(branch),val[i]];
T:=[op(T),branch];
RETURN;
fi;
od;
Nếu tập thuộc tính là rỗng thì return nút lá là giá trị phổ biến trong thuộc tính
phân loại
if Attributes={} then
branch:=[op(branch),CommonValue(target_attribute)];
T:=[op(T),branch];
Otherwise
else
Tìm thuộc tính có giá trị Gain lớn nhất, trả kết quả cho A1
for i from 1 to nops(Attributes) do
g:=evalf(Gain(Examples,Attributes[i]));
if maxG<g then
maxG:=g;
A1:=Attributes[i];
fi;
od;
vertice:=A1; Gán A1 là 1 đỉnh của cây quyết định
turn:=vertice; Gán đỉnh rẽ nhánh là vertice
branch:=[op(branch),vertice]; Thêm vào nhánh đỉnh vertice
V:=GetValue(A1); lấy danh sách giá trị thuộc tính của A1
for Vi in V do với mỗi giá trị của A1
vertice:=Vi; Lưu đỉnh tiếp theo trong nhánh
branch:=[op(branch),vertice]; Tiếp tục thêm vào nhánh
đỉnh vertice
GV: PGS. TS. Đỗ Phúc 23 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
ExamplesVi:=Sv(Examples,A1,Vi);
Nếu Examples là [] thì thêm vào nhánh giá trị phổ biến của thuộc tính
phân loại
if ExamplesVi=[] then
branch:=[op(branch),CommonValue(target_attribute)];
T:=[op(T),branch]; Kết thúc một nhánh, thêm nhánh vào cây
else
Tiếp tục đệ qui để lần xuống nút lá
branch:=[op(branch),InduceTree(ExamplesVi,`minus`(Attrib
utes,{A1}))];
branch:=turn;
fi;
od;
fi;
RETURN (T);
end:
+ Chuyển cây về các luật, trước khi chuyển cây về các luật, do một số nhánh của cây chưa
lưu từ nút gốc đến nút lá nên chuyển những nhánh như thế về nhánh lưu từ nút gốc đến nút lá, sau
đó mới chuyển về các luật có dạng: If attr1=Values (attr1) ∧attr2=Values(attr2) ∧ then
target_attribute=Values(target_attribute)
GetRules:=proc(T)
root: nút gốc
b: những nhánh không lưu từ nút gốc đến lá
temp: nhánh trước đó của b
pos: vị trí của nút đầu tiên trong b trong nhánh temp
str: chuỗi lưu từng phần của luật khi xử lý
rule: chuỗi lưu mỗi luật
rules: danh sách các rule
local i,j,b,root,temp,pos,str,rule,rules,T1;
T1:=T;
root:=T1[1][1];
for i from 2 to nops(T1) do
b:=T1[i];
if b[1] <> root then
temp:=T1[i-1];
pos:=ListTools[Search](b[1],temp)-1;
T1[i]:=[op(1 pos,T1[i-1]),op(T1[i])];
fi;
od;
rule:=[];
rules:=[];
for i from 1 to nops(T1) do
b:=T1[i];
for j from 1 to (nops(b)-2) do
if type(j/2,integer)=false then
str:=StringTools[CaseJoin]([b[j]," = "]);
rule:=[op(rule),str];
GV: PGS. TS. Đỗ Phúc 24 HVTH: Huỳnh Tuấn Anh
Nghiên cứu và cài đặt các thuật toán phân lớp trong khai phá dữ liệu
else
str:=StringTools[CaseJoin]([b[j]," and "]);
rule:=[op(rule),str];
fi;
od;
str:=StringTools[CaseJoin]([b[nops(b)-1]," then
",target_attribute," = ",b[nops(b)]]);
rule:=[op(rule),str];
rule:=StringTools[CaseJoin](rule);
rule:=StringTools[CaseJoin](["if ",rule]);
rules:=[op(rules),rule];
rule:=[];
od;
RETURN (rules);
end:
4. HƯỚNG DẪN SỬ DỤNG CHƯƠNG TRÌNH
- Đặt biến môi trường như mục 3.1
- Tạo thư mục ID3 tại thư mục gốc ổ đĩa C (tức là thư mục ID3 có đường dẫn như sau
“C:\ID3\”). Sau đó chạy tập tin ID3.mw với phần mềm Maple để đóng gói thuật toán
thành package lưu vào thư mục vừa tạo ở trên.
- Chạy project ID3 với NetBeans. Giao diện chương trình như sau:
GV: PGS. TS. Đỗ Phúc 25 HVTH: Huỳnh Tuấn Anh
