Pratik açıdan güç: Cok sayıda olasılığı onceden kestirmek gerekiyor, cok fazla hesap gerektirir. 7. Naïve Bayes Sınıflandırıcı. Öğrenim kümesindeki her öğe n ...

好菇娘发布于2018/06/07 00:00

注脚

1. Sınıflandırma & Tahmin — Devam — 1

2.Karar Ağaçlarında Aşırı Öğrenme Öğrenme kümesinin küçük , gürültülü olması , eksik veri içermesi Çözüm budama (pruning) En güvenilmez dalları buda Çoğunluk oylaması Önbudama ( prepruning ) Sonbudama ( Postpruning ) 2

3.Bayesian Sınıflandırma : Istatistiksel sınıflandırıcı : olasılıksal tahminlerde bulunur , yani , bir sınıfa ait olma olasılığını hesaplar Temeli : Bayes Teoremine dayanır Performans : Basit Bayesian sınıflandırıcı ( naïve Bayesian classifier ) karar ağaçlarıyla denk bir performans sağlar Arttırımlı : Her yeni öğrenim kümesi elemanı görüldükçe hipotezin doğruluk olasılığını arttırır / azaltır — önceden sahip olunan bilgi yeni gözlemlerle birleştirilir Ölçeklenebilir : büyük veri kümelerinde hızlı ve doğru sonuç üretir 3

4.Boolean Random Variables Sadece 2 değer alabilir True / False Bir olayın olması ya da olmaması P(A = true), A olayının olma olasılığı toplam alan 1 4

5.Koşullu Olasılık P(A=true | B=true) B nin doğru olduğu durumların ne kadarında A da doğru H = baş ağrısı F = nezle P(H=true) = 1/10 P(F=true) = 1/40 P(H=true | F = true) = 1/3 5

6.Bayesian Teorem : Temeli X örnek bir veri olsun : sınıf etiketi bilinmiyor H ise X verisinin C sınıfına ait oldugu hipotezi olsun Sınıflandırma X verisi gözlemlenmişken hipotezimizin doğru olma olasılığıdır , P(H| X ) P(H) önceki olasılık ( prior probability ), Ör ., X bilgisayar alır ( diğer niteliklerden bağımsız olarak ) P( X ): X in olma olasılığı P( X |H) sonraki olasılık ( posteriori probability ), Hipotez H’nin tutması durumunda X’in olma olasılığı Ör ., X’in bilgisayar alacaklar sınıfında olduğu biliniyor , X in orta yaşlı orta gelir gurubunda olma olasılığı 6

7.Bayesian Teori Gözlemlenen öğrenme verisi X için , hipotez H nin sonraki olasılığı , P(H| X ) , Bayes teoremi ile şöyle ifade edilir : Eğer P( C i | X ) diğer bütün P( C k |X ) değerlerinden büyükse örnek veri X C i sınıfına aittir Pratik açıdan güç : Cok sayıda olasılığı onceden kestirmek gerekiyor , cok fazla hesap gerektirir 7

8.Naïve Bayes Sınıflandırıcı Öğrenim kümesindeki her öğe n nitelik içersin , X = (x 1 , x 2 , …, x n ) Toplamda m tane farklı sınıf olsun C 1 , C 2 , …, C m . Sınıflandırma maksimum sonraki olasılığı sağlayan sınıf bilgisini bulur yani , maksimum P( C i | X ) değerini en büyük değere getirir P(X ) tüm sınıflar için sabit olduğundan değerini maksimize eder 8

9.Derivation of Naïve Bayes Classifier Basitleştirici bir kabul : nitelikler birbirinden bağımsız Gereken hesaplamaları çok azaltır Kategorik veri için P( C i )=|S i |/|S|, S i : C i sınıfına ait orneklerin sayısı Sürekli veri için hesaplar Gaussian dağılımla bulunur Hesaplama maliyetini azaltıyor , sadece sınıf dağılımları hesaplanıyor Naive: nitelikler bağımsız 9

10.Örnek : Naïve Bayesian Sınıflandırıcı Sınıf : C1:buys_computer = ‘yes’ C2:buys_computer = ‘no’ Örnek Veri X = (age <=30, Income = medium, Student = yes Credit_rating = Fair) 10

11.Naïve Bayesian Classifier: An Example P( C i ): P( buys_computer = “yes”) = 9/14 = 0.643 P( buys_computer = “no”) = 5/14= 0.357 Her sınıf için P( X|C i ) hesapla P(age = “<=30” | buys_computer = “yes”) = 2/9 = 0.222 P(age = “<= 30” | buys_computer = “no”) = 3/5 = 0.6 P(income = “medium” | buys_computer = “yes”) = 4/9 = 0.444 P(income = “medium” | buys_computer = “no”) = 2/5 = 0.4 P(student = “yes” | buys_computer = “yes) = 6/9 = 0.667 P(student = “yes” | buys_computer = “no”) = 1/5 = 0.2 P( credit_rating = “fair” | buys_computer = “yes”) = 6/9 = 0.667 P( credit_rating = “fair” | buys_computer = “no”) = 2/5 = 0.4 X = (age <= 30 , income = medium, student = yes, credit_rating = fair) P( X|C i ) : P( X|buys_computer = “yes”) = 0.222 x 0.444 x 0.667 x 0.667 = 0.044 P( X|buys_computer = “no”) = 0.6 x 0.4 x 0.2 x 0.4 = 0.019 P( X|C i )*P( C i ) : P( X|buys_computer = “yes”) * P( buys_computer = “yes”) = 0.028 P( X|buys_computer = “no”) * P( buys_computer = “no”) = 0.007 Bu yüzden , X örnegi “ buys_computer = yes” sınıfına aittir . 11

12.Olasılığın sıfır olması Naïve Bayesian prediction her bir olasılığın sıfırdan farklı olmasını gerektirir . Aksi taktirde bütün olsılık sıfır olur Ör . 1000 elemanlı bir veri kümesinde , eğer income=low (0), income= medium (990), ve income = high (10 ) ise , Laplacian correction (or Laplacian estimator ) kullanılır Her duruma 1 ekle Prob (income = low) = 1/1003 Prob (income = medium) = 991/1003 Prob (income = high) = 11/1003 Veri seti cok buyuk olduğu icin sonuç cok farketmez 12

13.Bayes Sınıflandırıcılar - Değerlendirme Avantajları Gerçeklenmesi kolay coğu durumda iyi sonuclar verir Dezavantajları varsayım : sınıf bilgisi verildiğinde nitelikler bağımsız gercek hayatta değişkenler birbirine bağımlı korelasyon değişkenler arası ilişki modellenemiyor Çözüm : Bayes Ağları (Bayesian Belief Networks) 13

14.IF-THEN Kuralları Bilgiyi IF-THEN kuralları şeklinde ifade eder R: IF age = youth AND student = yes THEN buys_computer = yes kural koşulları vs. kural sonucu Kural değerlendirmesi : kapsama ( coverage) and doğruluk ( accuracy) n covers = R kuralına dahil eleman sayısı n correct = R kuralı tarafından doğru sınıflandırılan eleman sayısı coverage(R) = n covers /|D| /* D: öğrenme kümesi */ accuracy(R) = n correct / n covers Eğer bir eleman birden fazla kural tarafından kapsanıyorsa çatışma çözümü ( conflict resolution) uygulanır Boyut sıralaması : en fazla gereksinim içeren (en zor ) kural seçilir Kural tabanlı sıralama : başlangıçta kurallar kalitelerine yada uzmanlarca belirlenen önemlerine göre öncelik sırasına konur 14

15.age? student? credit rating? <=30 >40 no yes yes yes 31..40 no fair excellent yes no Ör : buys_computer decision- treeden kural çıkartımı IF age = young AND student = no THEN buys_computer = no IF age = young AND student = yes THEN buys_computer = yes IF age = mid-age THEN buys_computer = yes IF age = old AND credit_rating = excellent THEN buys_computer = yes IF age = young AND credit_rating = fair THEN buys_computer = no Karar ağaçlarından Kural Oluşturma Kurallar büyük ağçlardan daha kolay anlaşılır Kökten yaprağa giden her yol için ayrı kural Yol ustundeki her nitelik “VE” işlemiyle bağlanır Farklı yollar “YADA” işlemiyle bağlanır Her veri elemanı sadece bir sınıfa ait olabilir Çatışma oluşmaz 15

16.Tahmin (Prediction) Nedir ? ( Sayısal ) tahmin sınıflandırmaya benzer Bir model oluşturur Verilen bir değer için devamlı bir değeri tahmin eder Tahmin sınıflandırmadan farklıdır Sınıflandırma baştan belli kategorik sınıf etiketlerini kullanır Tahmin devamlı değerli fonksiyonlar modeller Tahmin için temel yontem : regression Bir yada daha fazla bağımsız değişken ( öngörücü ) ile bir bağımlı sonuç değişkeni arasında ilişki modeller Regression analysis Linear and multiple regression Non-linear regression Diğer regression metotları : generalized linear model, Poisson regression, log-linear models, regression trees 16

17.Linear Regression Linear regression : bir sonuç değişkeni y ve bir öngörücü değişken x içerir y = w 0 + w 1 x Burada w 0 ve w 1 ( eğim ) regression katsayıları Method of least squares : en iyi örtüşen düz çizgiyi modeller Multiple linear regression : birden fazla öngörücü değişken içerir Öğrenme verisini formatı : ( X 1 , y 1 ), ( X 2 , y 2 ),…, ( X |D| , y |D | ) Ör . 2 boyutlu veri ise , y = w 0 + w 1 x 1 + w 2 x 2 least square methodunun türevleriyle çözülebilir Many nonlinear functions can be transformed into the above 17

18.Bazen veriyi polynomial fonksiyonlarla modellemek gerekir polynomial regression model, linear regression modele çevrilebilir . örnek , y = w 0 + w 1 x + w 2 x 2 + w 3 x 3 Yeni değişkenler tanımlayarak : x 2 = x 2 , x 3 = x 3 y = w 0 + w 1 x + w 2 x 2 + w 3 x 3 Bazı modeller linear hale çevrilemez ( ör ., eksponansiyel terimlerin toplamı ) Hesaplamak için daha karmaşık formuller gerektirir Nonlinear Regression 18

19.Sınıflandırma Modelini Değerlendirme Tahmin edilen Sınıf Gerçek Sınıf En cok kullanılan metrik : doğruluk (accuracy) Hata oranı = 1 – Accuracy Acc = (6954 + 2588) / 10000 = 0.9542 Gerçek \ Tahmin buy_computer = yes buy_computer = no Total recognition(%) buy_computer = yes 6954 46 7000 99.34 buy_computer = no 412 2588 3000 86.27 total 7366 2634 10000 95.52 C 1 C 2 C 1 True positive False negative C 2 False positive True negative 19

20.Accuracy metriğinin sıkıntısı 2 sınıf seçeneğinin olduğu bir modelimiz olsun C1: 9990 eleman C2: 10 eleman Eğer modelimiz herşeye C1 derse accuracy %99.9 olur Yanıltıcı çünkü hiç C2 sınıfını tespit edemiyor 20

21.Alternafif Metrikler Precision (p) = tp / ( tp + fp ) Recall (r) = tp / ( tp + fn) Kanser tahmini Precision ( duyarlılık ) = 90 / 230 = 39.13 % Recall = 90 / 300 = 30.00 % 21 Yes No Total Yes 90 210 300 No 140 9560 9700 Total 230 9770 10000

22.Precision / Recall Daha iyi precision ve recall değerlerine sahip sınıflandırıcı daha iyidir Precision ve recall arasında ters orantı vardır 22

23.Sensitivity - Specificity Daha çok medikal alanda kullanılır Sensitivity Recall TP / (TP+FN) Hasta birini hasta olarak etiketleme olasılığı Specificity TN / (TN + FP) Hasta olmayan birini hasta değil olarak etiketleme olasılığı 23

24.Özet Classification ve prediction yöntemleri önemli veri sınıflarını ifade etmek ve gelecek veri trendlerini öngörmek için model yaratmakta kullanılan iki önemli veri analiz yöntemidir Karar ağaçları , Naïve Bayesian sınıflandırma , kural cıkarma vb. Yöntemleri için hızlı ve ölçeklenebilir yöntemler geliştirilmiştir Linear ve nonlinear regression modelleri prediction i çin kullanılabilir . Birçok nonlinear problem linear problemlere dönüştürülebilir . Birçok farklı sınıflandırma ve tahmin yöntemleri mevcuttur ve hala üzerinde çalışılan bir konudur . He ryöntemin iyi ve kötü tarafları vardır , diğer hepsinden daha iyi olan tek bir yöntem yoktur .

user picture
  • 好菇娘
  • Apparently, this user prefers to keep an air of mystery about them.

相关Slides

  • 视觉任务之间是否有关系,或者它们是否无关?例如,表面法线可以简化估算图像的深度吗?直觉回答了这些问题,暗示了视觉任务中存在结构。了解这种结构具有显著的价值;它是传递学习的基本概念,并提供了一种原则性的方法来识别任务之间的冗余,例如,无缝地重用相关任务之间的监督或在一个系统中解决许多任务而不会增加复杂性。 我们提出了一种完全计算的方法来建模视觉任务的空间结构。这是通过在隐空间中的二十六个2D,2.5D,3D和语义任务的字典中查找(一阶和更高阶)传递学习依赖性来完成的。该产品是用于任务迁移学习的计算分类地图。我们研究了这种结构的后果,例如:非平凡的关系,并利用它们来减少对标签数据的需求。例如,我们表明,解决一组10个任务所需的标记数据点总数可以减少大约2/3(与独立训练相比),同时保持性能几乎相同。我们提供了一套用于计算和探测这种分类结构的工具,包括用户可以用来为其用例设计有效监督策略。

  • 尽管最近在生成图像建模方面取得了进展,但是从像ImageNet这样的复杂数据集中成功生成高分辨率,多样化的样本仍然是一个难以实现的目标。为此,我们以最大规模训练了生成性对抗网络,并研究了这种规模所特有的不稳定性。我们发现将正交正则化应用于生成器使得它适合于简单的“截断技巧”,允许通过截断潜在空间来精确控制样本保真度和多样性之间的权衡。我们的修改导致模型在类条件图像合成中达到了新的技术水平。当我们在ImageNet上以128×128分辨率进行训练时,我们的模型(BigGAN)的初始得分(IS)为166.3,Frechet初始距离(FID)为9.6,比之前的最优IS为52.52,FID为18.65有了显著的提升。

  • 2017年,以斯坦福大学为首、包括吴恩达、李开复等一众大咖专家团队齐力打造的人工智能指数(AI Index)重磅年度报告首次发布。从学术、业界发展、政府策略等方面对全年的人工智能全球发展进行了回顾,堪称全年人工智能最强报告。 该重点介绍了人工智能领域的投资和工作岗位前所未有的增长速度,尤其是在游戏和计算机视觉领域进展飞速。

  • 18年12月12日,哈佛大学,麻省理工学院,斯坦福大学以及OpenAI等联合发布了第二届人工智能指数(AI Index)年度报告。 人工智能领域这一行业的发展速度,不仅仅是通过实际产品的产生以及研究成果来衡量,还要考虑经济学家和政策制定者的预测和担忧。这个报告的目标是使用硬数据衡量人工智能领域的发展。 报告中多次提及了中国人工智能的发展以及清华大学: 美国仅占到全球论文发布内容的17%,欧洲是论文最高产的国家,18年发表的论文在全球范围内占比28%,中国紧随其后,占比25%。; 大学人工智能和机器学习相关课程注册率在全球范围都有大幅提升,其中最瞩目的是清华大学,相关课程2017年的注册率比2010年高出16倍,比2016年高出了将近3倍; 各国对人工智能应用方向重视不同。中国非常重视农业科学,工程和技术方面的应用,相比于2000年,2017年,中国加大了对农业方面的重视。 吴恩达也在今天的推特中重磅推荐了这份报告,称“数据太多了”,并划重点了两个报告亮点:人工智能在业界和学界都发展迅速;人工智能的发展仍需要更加多样包容。