2/19/2014
NHẬP MƠN TRÍ TUỆ NHÂN TẠO
CHƯƠNG 4:
MỘT SỐ VÍ DỤ VỀ MÁY HỌC
1
1. GIỚI THIỆU
Một số phương pháp máy học để tiếp
thu tri thức hay tạo ra tri thức
Học vẹt
Học cách đề xuất
Học bằng cách thu thập các trường hợp
Học bằng cách xây dựng cây định danh
Học không giám giám sát và bài tóm gom
nhóm dữ liệu
Học giám sát và bài toán phân lớp dữ liệu
2
1
2/19/2014
1. GIỚI THIỆU (tt)
Học vẹt
Hệ tiếp nhận các khẳng định của các quyết định
đúng. Khi hệ tạo ra một quyết định không đúng, hệ
sẽ đưa ra các luật hay quan hệ đúng mà hệ đã sử
dụng. Hình thức học vẹt nhằm cho phép chuyên gia
cung cấp tri thức theo kiểu tương tác.
Học bằng cách chỉ dẫn
Thay vì đưa ra một luật cụ thể cần áp dụng vào tình
huống cho trước, hệ thống sẽ được cung cấp bằng
các chỉ dẫn tổng qt.
Ví dụ: "gas hầu như bị thốt ra từ van thay vì thốt ra từ
ống dẫn". Hệ thống phải tự mình đề ra cách biến đổi từ trừu
tượng đến các luật khả dụng.
3
1. GIỚI THIỆU (tt)
Học bằng qui nạp
Hệ thống được cung cấp một tập các ví dụ và kết
luận được rút ra từ từng ví dụ. Hệ liên tục lọc các
luật và quan hệ nhằm xử lý từng ví dụ mới.
Học bằng tương tự
Hệ thống được cung cấp đáp ứng đúng cho các tác
vụ tương tự nhưng không giống nhau. Hệ thống cần
làm thích ứng đáp ứng trước đó nhằm tạo ra một
luật mới có khả năng áp dụng cho tình huống mới.
4
2
2/19/2014
1. GIỚI THIỆU (tt)
Học dựa trên giải thích
Hệ thống phân tích tập các lời giải ví dụ ( và kết quả) nhằm ấn
định khả năng đúng hoặc sai và tạo ra các giải thích dùng để
hướng dẫn cách giải bài tốn trong tương lai.
Học dựa trên tình huống
Bấy kỳ tính huống nào được hệ thống lập luận đều được lưu trữ
cùng với kết quả cho dù đúng hay sai. Khi gằp tình hướng mới,
hệ thống sẽ làm thích nghi hành vi đã lưu trữ với tình huống
mới.
Khám phá hay học khơng giám sát
Thay vì có mục tiêu tường minh, hệ khám phá liên tục tìm kiếm
các mẫu và quan hệ trong dữ liệu nhập. Các ví dụ về học khơng
giám sát bao gồm gom cụm dữ liệu, học để nhận dạng các đặc
tính cơ bản như cạnh từ các điểm ảnh.
5
2. Một số ví dụ:
Học qua logic:
Bongard (1970) là người đầu tiên ứng dụng
các toán tử logic để học và nhận dạng các
đối tượng hình ảnh.
Ý tưởng: Tìm quan hệ đơn giản nhất trong
số các quan hệ có thể sử dụng để học và
nhận dạng các hình ảnh.
6
3
2/19/2014
2. Một số ví dụ (tt)
Lớp A
Lớp B
Chúng ta có thể quan sát thấy các hình vẽ thuộc lớp A có
3 vịng trắng ln ln nằm trên một đường thẳng.
7
2. Một số ví dụ (tt)
Vấn đề đặt ra:
-Tìm quan hệ đơn giản nhất có thể phân biệt được các hình
ảnh.
Bongard đã dùng bảng logic “mô tả – quan hệ” để dẫn xuất
ra các mệnh đề logic:
φ = ∨(ϕ ∧ ϕ ∧ ... ∧ ϕn )
1 2
φ có thể dùng để phân biệt 2 lớp E và E’ nếu φ(E) và
φ(E’) đối ngẫu nhau.
8
4
2/19/2014
2. Một số ví dụ (tt)
P1
P2
P3
P4
P5
1
2
3
4
5
6
7
8
9
10
9
2. Một số ví dụ (tt)
Các đối tượng trong mẫu:
1
P1
1
P2
1
P3
1
P4
1
P5
0
P1 P2 P3 P4 P5
2
3
1
0
0
1
0
0
1
0
0
1
P1 P2 P3 P4 P5
P1 P2 P3 P4 P5
4
5
0
0
1
1
0
0
0
1
6
1
1
0
1
P1 P2 P3 P4 P5
1
0 ⇒ P1 P2 P3 P4 P5
P1 P2 P3 P4 P5
0
7
8
1
1
1
0
0
0
0
1
0
0
P1 P2 P3 P4 P5
P1 P2 P3 P4 P5
9
10
0
1
0
1
0
0
1
0
0
0
P1 P2 P3 P4 P5
P1 P2 P3 P4 P5
10
5
2/19/2014
2. Một số ví dụ (tt)
Sau khi tính tổng và
rút gọn lại được:
P1 .P2 + P1 .(P2 .P3 + P2 .P3 )
P1.P2
Không có thì phải có hình
(3,4,5)
(1)
x ∈ ϕ( A) P1.P2 .P3 Có thì phải có hình và hình
(1)
P1.P2 .P3 Có thì không có hình và hình
11
3. HỌC BẰNG CÁCH XÂY DỰNG
CÂY ĐỊNH DANH
Thử
Bảng dữ liệu
Xây dựng
Cây định danh
Luật
Cây định danh: Là một dạng của cây quyết định, trong đó
mỗi tập các kết luận có thể xảy ra được thiết lập một cách
ngầm định bởi một danh sách các mẫu mà chúng được phân
vào một lớp đã biết.
12
6
2/19/2014
3. HỌC BẰNG CÁCH XÂY DỰNG
CÂY ĐỊNH DANH
(tt)
Ví dụ có bảng dữ liệu quan sát
Tên
Tóc
Ch.Cao
Cân Nặng
Dùng kem?
Kết quả
Sarah
Vàng
T.Bình
Nhẹ
Khơng
Cháy
Dana
Vàng
Cao
T.Bình
Có
Khơng
Alex
Nâu
Thấp
T.Bình
Có
Khơng
Annie
Vàng
Thấp
T.Bình
Khơng
Cháy
Emilie
Đỏ
T.Bình
Nặng
Khơng
Cháy
Peter
Nâu
Cao
Nặng
Khơng
Khơng
John
Nâu
T.Bình
Nặng
Khơng
Khơng
Kartie
Vàng
Thấp
Nhẹ
Có
Khơng
13
3. HỌC BẰNG CÁCH XÂY DỰNG
CÂY ĐỊNH DANH
(tt)
•Thuộc tính mục tiêu: là thuộc tính quan tâm (tính chất
cháy nắng hay khơng cháy nắng) .
R = {"cháy nắng", "bình thường"}.
•Thuộc tính dẫn xuất: Chúng ta quan sát hiện tượng cháy
nắng dựa trên 4 thuộc tính sau : chiều cao (cao, trung
bình, thấp), màu tóc (vàng, nâu, đỏ), cân nặng (nhẹ,
TB, nặng), dùng kem (có, khơng) là thuộc tính dẫn xuất
P là tất cả những người được liệt kê trong bảng dưới
(8 người)
14
7
2/19/2014
3.1.Đâm chồi
Đỏ
Vàng
Nâu
15
3.1. Đâm chồi (tt)
16
8
2/19/2014
3.2. Phương án chọn thuộc
tính phân hoạch
Vấn đề mà chúng ta gặp phải cũng tương tự
như bài tốn tìm kiếm : "Đứng trước một
ngã rẽ, ta cần phải đi vào hướng nào?".
Hai phương pháp đánh giá dưới đây giúp ta
chọn được thuộc tính phân hoạch tại mỗi
bước xây dựng cây định danh.
17
3.2.1. Thuật tốn Quinlan (1)
•Quinlan quyết định thuộc tính phân hoạch bằng cách xây
dựng các vector đặc trưng cho mỗi giá trị của từng thuộc
tính dẫn xuất và thuộc tính mục tiêu.
•Cách tính vectơ đặc trưng:
Với mỗi thuộc tính dẫn xuất A cịn có thể sử dụng để phân
hoạch, tính :
VA(j) = ( T(j , r1), T(j , r2) , …, T(j , rn) )
*T(j, ri) = (tổng số phần tử trong phân hoạch có giá trị
thuộc tính dẫn xuất A là j và có giá trị thuộc tính mục tiêu là
ri ) / ( tổng số phần tử trong phân hoạch có giá trị thuộc
tính dẫn xuất A là j )
18
* r1, r2, … , rn là các giá trị của thuộc tính mục tiêu
9
2/19/2014
3.2.1. Thuật tốn Quinlan (2)
Vector đơn vị là vector có duy nhất
một thành phần có giá trị 1 và những
thành phần khác có giá trị 0.
Thuộc tính được chọn để phân hoạch là
thuộc tính có nhiều vector đơn vị
nhất.
19
3.2.1. Thuật tốn Quinlan
Cháy nắng =
Tổng số quan sát cháy nắng có tóc vàng
Tổng số quan sát có tóc vàng
Khơng cháy nắng = Tổng số quan sát không cháy nắng có tóc vàng
Tổng số quan sát có tóc vàng
20
10
2/19/2014
3.2.1. Thuật tốn Quinlan(tt)
VTóc (vàng) = (T(vàng,cháy nắng),T(vàng, khơng cháy nắng))
Số người tóc vàng là : 4
Số người tóc vàng và cháy nắng là : 2
Số người tóc vàng và khơng cháy nắng là : 2
Do đó
VTóc(vàng) = (2/4 , 2/4) = (0.5, 0.5)
Tương tự
VTóc(nâu) = (0/3, 3/3) = (0,1) (vector đơn vị)
VTóc(đỏ) = (1/1, 0/1) = (1,0) (vector đơn vị)
Tổng số vector đơn vị của thuộc tính tóc là 2
21
3.2.1. Thuật tốn Quinlan (tt)
Các thuộc tính khác được tính tương tự, kết quả như sau :
VC.Cao(Cao) = (0/2,2/2) = (0,1)
VC.Cao(T.B) = (2/3,1/3)
VC.Cao(Thấp) = (1/3,2/3)
VC.Nặng (Nhẹ) = (1/2,1/2)
VC.Nặng (T.B) = (1/3,2/3)
VC.Nặng (Nặng) = (1/3,2/3)
VKem (Có) = (3/3,0/3) = (1,0)
VKem (Khơng) = (3/5,2/5)
Như vậy thuộc tính màu tóc có số vector đơn vị nhiều nhất nên sẽ được
chọn để phân hoạch.
22
11
2/19/2014
3.2.1. Thuật toán Quinlan (tt)
Sau khi phân hoạch theo màu tóc xong, chỉ có phân hoạch theo tóc vàng
(Pvàng) là cịn chứa những người cháy nắng và khơng cháy nắng nên ta sẽ
tiếp tục phân hoạch tập này. Ta sẽ thực hiện thao tác tính vector đặc trưng
tương tự đối với các thuộc tính cịn lại (chiều cao, cân nặng, dùng kem).
Trong phân hoạch Pvàng, tập dữ liệu của chúng ta cịn lại là :
Tên
Ch.Cao
Cân Nặng
Dùng kem?
Kết quả
Sarah
T.Bình
Nhẹ
Khơng
Cháy
Dana
Cao
T.Bình
Có
Khơng
Annie
Thấp
T.Bình
Khơng
Cháy
Kartie
Thấp
Nhẹ
Có
Khơng
23
3.2.1. Thuật tốn Quinlan
(tt)
VC.Cao(Cao) = (0/1,1/1) = (0,1)
VC.Cao(T.B) = (1/1,0/1) = (1,0)
VC.Cao(Thấp) = (1/2,1/2)
VC.Nặng (Nhẹ) = (1/2,1/2)
VC.Nặng (T.B) = (1/2,1/2)
VC.Nặng (Nặng) = (0,0)
VKem (Có) = (0/2,2/2) = (0,1)
VKem (Khơng) = (2/2,0/2) = (1,0)
2 thuộc tính dùng kem và chiều cao đều có 2 vector đơn vị.
Ta chọn phân hoạch theo thuộc tính dùng kem.
24
12
2/19/2014
3.2.1. Thuật toán Quinlan (tt)
Kết quả Cây định danh cuối cùng :
Vàng
Đỏ
Nâu
25
3.2.2. Phương pháp độ đo hỗn loạn
Với mỗi thuộc tính dẫn xuất ta chỉ cần tính ra độ đo hỗn loạn
và lựa chọn thuộc tính nào có độ đo hỗn loạn là thấp nhất.
Cơng thức tính như sau :
trong đó :
• bt là tổng số phần tử có trong phân hoạch
• bj là tổng số phần tử có thuộc tính dẫn xuất A có giá trị j.
• bri : tổng số phần tử có thuộc tính dẫn xuất A có giá trị j và thuộc tính mục
tiêu có giá trị i.
26
13
2/19/2014
Ví dụ:
STT
Kích cỡ
Màu sắc
Hình dáng
Quyết
định
1
Trung bình
Đỏ
Cầu
Mua
2
Lớn
Vàng
Hộp
Mua
3
Trung bình
Xanh
Trụ
Khơng mua
4
Nhỏ
Xanh
Cầu
Mua
5
Trung bình
Xanh
Nón
Khơng mua
6
Nhỏ
Xanh
Nón
Khơng mua
7
Trung bình
Đỏ
Trụ
Mua
27
Ví dụ (tt)
Kích cỡ
Lớn
Nhỏ
√1
3
5
√7
Xanh
Đỏ
Cầu
Vàng
Trung bình
√4
6
Hình dáng
Màu sắc
√2
√1
√7
√2
3
√4
5
6
√1
√4
Hộp
√2
Nón
Trụ
3
√7
5
6
28
14
2/19/2014
Ví dụ (tt)
Độ hỗn loạn TB kích cỡ:
=
2 1
1 1
1 4 2
2 2
2 1 1
1 2 4 6
− × log 2 − × log 2 + − × log 2 − × log 2 + − × log 2 − 0 = + =
7 2
2 2
2 7 4
4 4
4 7 1
1 7 7 7
Độ hỗn loạn TB màu sắc:
4 1
1 3
3
= 0 + 0 + − × log 2 − × log 2 ≈ 0.46
7 4
4 4
4
Độ hỗn loạn TB hình dáng:
2 1
1 1
= 0 + 0 + − × log 2 − × log 2
7 2
2 2
1
2
+0 =
2
7
29
Ví dụ (tt)
Chọn thuộc tính hình dáng vì có độ hỗn loạn
trung bình nhỏ nhất:
Hình dáng
Nón
Cầu
Hộp
Mua
Mua
Trụ
?
Khơng mua
30
15
2/19/2014
Ví dụ (tt)
Sau khi test lần 1 xong, ta đã loại ra 5 mẫu ổn định => có 1 bảng nhỏ hơn:
STT
Kích cỡ
Màu sắc
Quyết định
3
Trung bình
Xanh
Khơng mua
7
Trung bình
Đỏ
Mua
Kích
cỡ
Trung
bình
3
√7
Màu
Xanh sắc Đỏ
√7
3
Độ hỗn loạn trung bình kích cỡ:=1
Độ hỗn loạn trung bình màu sắc:=0
31
Ví dụ (tt)
Chọn thuộc tính màu sắc vì có độ hỗn loạn TB nhỏ nhất:
Màu sắc
Xanh
Đỏ
Khơng mua
Mua
Cây quyết định:
Hình dáng
Nón
Cầu
Hộp
Mua
Trụ
Mua
Màu sắc
Đỏ
Mua
Khơng mua
Xanh
Khơng mua
32
16