phân loại rượu
CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC MỎ ĐỊA CHẤT TRÍ TUỆ NHÂN TẠO+BTL KHOA HỌC MÁY TÍNH BÀI LÀM KIỂM TRA ĐIỂM B Đề bài: Nghiên cứu ứng dụng mạng nơron cho toán phân loại rượi Sinh viên thực hiện: Giảng viên hướng dẫn: Nguyễn Văn Linh GV.THS Đặng Hữu Nghị MSV:1921050355 HÀ NỘI Mục Lục: I)Tìm hiểu giải thuật mơ hình Neural Networks sử dụng toán A Perceptrons B Kiến trúc mạng Neural nhân tạo C Kiến trúc mạng Neural MLP (Multi-layer Perceptron): II Mơ tả tốn thực nghiệm: III Mô tả tệp liệu thực nghiệm phân loại chất lượng rượu vang: 6) Kết luận: 24 7) Tài liệu tham khảo: 24 1921050355-Nguyễn Văn Linh I)Tìm hiểu giải thuật mơ hình Neural Networks sử dụng toán Ngày nay, không dừng lại mức nghiên cứu lý thuyết, nghiên cứu ứng dụng mạng nơron để giải toán thực tế ứng dụng rộng rãi nhiều lĩnh vực khác Các ứng dụng mạng nơron đời ngày nhiễu ngày hoàn thiện Việc ứng dụng mạng nơron để đánh giá cắm quan thực phẩm vấn để chưa có nhiều ứng dụng Việt Nam Tuy nhiên phương pháp thực nghiệm chương trình tốn nhiều thời gian để huấn luyện cho kết dự báo với độ xác chưa cao Từ vấn để nêu trên, nghiên cứu tác giả trình bày cách tiếp cận kết hợp kỹ thuật gom cụm mạng nơron để đánh giá cảm quan thực phẩm Dữ liệu tiến hành gom cụm dùng giải thuật K-Means, huấn luyện liệu cụm dùng giải thuật lan truyền ngược Với phương pháp kết dự báo số đánh giá cảm quan thực phẩm xác giầm thời gian huấn luyện A Perceptrons Một mạng Neural cấu thành Neural đơn lẻ gọi perceptron Nên trước tiên ta tìm hiểu xem perceptron tiến tới mơ hình mạng Neural sau Neural nhân tạo lấy cảm hứng từ Neural sinh học hình sau: 1921050355-Nguyễn Văn Linh Hình 1:Cấu tạo mạng Neural Quan sát hình ảnh trên, ta thấy Neural nhận nhiều đầu vào cho kết Mơ hình perceptron tương tự Một perceptron nhận nhiều đầu x vào dạng nhị phân cho kết oo dạng nhị phân Các đầu vào điều phối tầm ảnh hưởng tham số trọng lượng tương ứng w nó, cịn kết đầu định dựa vào ngưỡng định b B Kiến trúc mạng Neural nhân tạo Mạng Neural kết hợp của tầng perceptron hay gọi perceptron đa tầng (multilayer perceptron) hình vẽ bên 1921050355-Nguyễn Văn Linh Hình 2:Kiến trúc mạng neural nhân tạo Một mạng Neural có kiểu tầng: Tầng vào (input layer): Là tầng bên trái mạng thể cho đầu vào mạng Tầng (output layer): Là tầng bên phải mạng thể cho đầu mạng Tầng ẩn (hidden layer): Là tầng nằm tầng vào tầng thể cho việc suy luận logic mạng Lưu ý rằng: Neural có tầng vào tầng có nhiều tầng ẩn Trong mạng Neural, nút mạng sigmoid Neural hàm kích hoạt chúng khác Tuy nhiên thực tế người ta thường để chúng dạng với để tính tốn cho thuận lợi Ở tầng, số lượng nút mạng (Neural) khác tuỳ thuộc vào toán cách giải Nhưng thường làm việc người ta để tầng ẩn có số lượng Neural Ngồi ra, Neural tầng thường liên kết đôi với tạo thành mạng kết nối đầy đủ (full- connected network) C Kiến trúc mạng Neural MLP (Multi-layer Perceptron): Mơ hình mạng nơron sử dụng rộng rãi mơ hình mạng nhiều tầng truyền thẳng (MLP: Multi Layer Perceptron) Một mạng MLP tổng quát mạng có n (n≥2) tầng (thơng thường tầng đầu vào khơng tính đến): gồm tầng đầu (tầng thứ n) (n-1) tầng ẩn 1921050355-Nguyễn Văn Linh Hình 3:Mạng Neural MLP Kiến trúc mạng MLP tổng qt mơ tả sau: Đầu vào vector (x1, x2, …, xp) không gian p chiều, đầu vector (y1, y2, …, yq) không gian q chiều Đối với tốn phân loại, p kích thước mẫu đầu vào, q số lớp cần phân loại Mỗi neural thuộc tầng sau liên kết với tất nơron thuộc tầng liền trước Đầu neural tầng trước đầu vào nơron thuộc tầng liền sau Hoạt động mạng MLP sau: tầng đầu vào neural nhận tín hiệu vào xử lý (tính tổng trọng số, gửi tới hàm truyền) cho kết (là kết hàm truyền); kết truyền tới neural thuộc tầng ẩn thứ nhất; nơron tiếp nhận tín hiệu đầu vào, xử lý gửi kết đến tầng ẩn thứ Quá trình tiếp tục neural thuộc tầng cho kết II Mô tả toán thực nghiệm: Trong báo cáo này, ta khám phá tạp liệu rượu: Đầu tiên, chúng tơi thực phân tích liệu mơ tả khám phá Tiếp theo, chạy giảm kích thước với thuật toán PCA TSNE để kiểm tra chức chúng Cuối cùng, phân loại rừng ngẫu nhiên triển khai, so 1921050355-Nguyễn Văn Linh sánh giá trị tham số khác để kiểm tra xem tác động phân loại đến kết Trong điểm trước, ta thấy tất biến tập liệu, ngoại trừ biến mục tiêu, số liên tục Không có giá trị bị thiếu biến Từ giá trị thống kê bản, ta thấy khơng có biến tn theo phân phối chuẩn, khơng có biến có trung bình độ lệch chuẩn Trong biểu đồ, ta quan sát cách biến rượu có phân bố tập trung nhiều hơn, với hầu hết biến ghi có giá trị từ 12 đến 14 độ, color_intensity magie, ta quan sát thấy phân bố chúng bị lệch sang trái Ta quan sát biến xác định rõ loại rượu biến rượu, theo biểu đồ, loại rượu có trùng theo lượng rượu, thấy loại phân biệt rõ ràng số dãy Đối với cường độ màu, cho phép có phân loại, quan sát thấy chồng chéo nhiều biểu đồ Magnesium dường biến xác định loại rượu biểu đồ trùng lặp hầu hết biểu đồ Ta thấy mối tương quan rượu với Magnesium thấp thấy hướng thấp điểm biểu đồ Chúng ta quan sát thấy định hướng biểu đồ Magnesium với color_intensity, tương ứng với số tương quan thấp tìm thấy trước Mặt khác, mối tương quan rượu với color_intensity cao thấy mức độ cao biểu đồ chấm nó, khơng có mối tương quan cao Chúng ta thấy mối tương quan rượu với Magnesium thấp thấy hướng thấp điểm biểu đồ Chúng ta quan sát thấy định hướng biểu đồ Magnesium với color_intensity, tương ứng với số tương quan thấp tìm thấy trước Mặt khác, mối tương quan rượu với color_intensity cao thấy mức độ cao biểu đồ chấm nó, khơng có mối tương quan cao Trong trường hợp hiển thị, PCA TNSE cho thấy cải thiện mơ hình, hai hoạt động theo cách tương tự, điều phù hợp với đồ thị tập Cần lưu ý kết có cách thực liên tục thuật tốn TSNE kể từ chứa thành phần ngẫu nhiên, khu rừng ngẫu nhiên Tham số random_state sử dụng để lặp lại kết lần thực thi khác thuật toán 1921050355-Nguyễn Văn Linh Tiếp theo, kiểm tra thông số n_estimators, max_depth min_samples_split với giá trị khác nhau, để thấy rõ mục đích ảnh hưởng chúng đến kết quả, chúng tơi lưu tất kết dự đốn hiệu liệu thử nghiệm huấn luyện, đồng thời hiển thị biểu đồ Để thấy rõ cải tiến nó, kiểm tra tập liệu mà khơng giảm kích thước khơng phải mơ hình tốt nhất, kiểm tra mức độ cải thiện mơ hình với tham số III Mơ tả tệp liệu thực nghiệm phân loại chất lượng rượu vang: a) Hai liệu có liên quan đến biến thể màu đỏ trắng rượu vang "Vinho Verde" Bồ Đào Nha Do vấn đề quyền riêng tư hậu cần, có biến số hóa lý (đầu vào) cảm quan (đầu ra) (ví dụ: khơng có liệu loại nho, nhãn hiệu rượu, giá bán rượu, v.v.) Các tập liệu xem nhiệm vụ phân loại hồi quy Các lớp xếp theo thứ tự không cân (ví dụ: có nhiều loại rượu bình thường loại xuất sắc kém) Các thuật toán phát ngoại lệ sử dụng để phát số loại rượu ngon Ngoài ra, không liệu tất biến đầu vào có liên quan hay khơng Vì vậy, thú vị thử nghiệm phương pháp lựa chọn tính b) Số thuộc tính gồm: 12 loại Các biến đầu vào (dựa phép thử hóa lý): - độ axit cố định - độ axit dễ bay - axit xitric - đường dư - clorua - lưu huỳnh đioxit tự - tổng lưu huỳnh đioxit - tỷ trọng - pH 10 - sunfat 11 - rượu Biến đầu (dựa liệu cảm quan): 1921050355-Nguyễn Văn Linh 12 - chất lượng (điểm từ đến 10) c) Số mẫu gồm: 1600mẫu + 6498 mẫu= 8098 mẫu d) thực nghiệm thuộc loại: phân loại theo mơ hình mạng nơron(Neural Networks) e) địa website tải tệp liệu: Rượi vang :( https://archive.ics.uci.edu/ml/datasets/Wine ) Thực nghiệm: Khai báo thư viện: -Tải tập liệu: 1921050355-Nguyễn Văn Linh -In tập liệu hình: -Tìm kiếm giá trị bị thiếu rỗng: -Xem tần suất mục tiêu biến đổi: 1921050355-Nguyễn Văn Linh 10 -Kiểm tra đồ thị: -hiển thị liệu: -Hiển thị biểu đồ: 1921050355-Nguyễn Văn Linh 11 -Phân tích biểu đồ rượu: -Phân tích biểu đồ color-intensity: 1921050355-Nguyễn Văn Linh 12 -Biểu đồ rượu với giá trị trung bình lệch chuẩn: 1921050355-Nguyễn Văn Linh 13 -Biểu đồ color-intensity với giá trị trung bình độ lệch chuẩn: -Biểu đồ magnesium với giá trị trung bình độ lệch chuẩn: 1921050355-Nguyễn Văn Linh 14 -Bảng tương quan: 1921050355-Nguyễn Văn Linh 15 -Biểu đồ điểm phân tán: 1921050355-Nguyễn Văn Linh 16 1921050355-Nguyễn Văn Linh 17 1921050355-Nguyễn Văn Linh 18 1921050355-Nguyễn Văn Linh 19 -Giá trị trung bình độ lệch chuẩn: -Mean: 0,94 -Standard Dev:0.03 1921050355-Nguyễn Văn Linh 20 -Giá trị trung bình độ lệch chuẩn: -Mean:0.94 Standard Dev:0.03 1921050355-Nguyễn Văn Linh 21 -Độ xác :98% 1921050355-Nguyễn Văn Linh 22 1921050355-Nguyễn Văn Linh 23 -Độ xác đạt được: +Thơng qua kết đạt độ xác 98% 6) Kết luận: Bài báo phân tích tẳm quan trọng cảm quan phẩm khó khăn việc đánh giá cảm Nghiên cứu điểm mạnh, điểm yếu mạng ndron kết hợp với kỹ thuật gom cụm K-Means để giải toán đánh giá cảm quan thực phẩm Đổng thời qua việc tiến hành thử nghiệm thu giá tị dự báo có độ xác cao (vào khoảng 98%), cho thấy tính tu việt việc ứng dụng kỹ thuật gom cụm mạng ndron để đánh giá cảm quan thực phẩm Từ mở hướng khả quan cho việc ứng dụng máy học vào giải toán đánh giá cảm quan thực phẩm Việc ứng dụng nơron kết hợp với phân cụm để giải toán đánh giá cảm quan thực phẩm phương pháp mang tính khả quan cao Quá trình cài đặt chương trình đánh giá cẩm quan thụ số kết định 7) Tài liệu tham khảo: https://www.kaggle.com/code/andrecarneiroamaral/wine-quality-classificationneural-networks/data https://www.alldatascience.com/classification/wine-dataset-analysis-with-python/ https://en.wikipedia.org/wiki/Artificial_neural_network 1921050355-Nguyễn Văn Linh 24 ... magie, ta quan sát thấy phân bố chúng bị lệch sang trái Ta quan sát biến xác định rõ loại rượu biến rượu, theo biểu đồ, loại rượu có trùng theo lượng rượu, thấy loại phân biệt rõ ràng số dãy... khơng có liệu loại nho, nhãn hiệu rượu, giá bán rượu, v.v.) Các tập liệu xem nhiệm vụ phân loại hồi quy Các lớp xếp theo thứ tự không cân (ví dụ: có nhiều loại rượu bình thường loại xuất sắc... mơ hình với tham số III Mơ tả tệp liệu thực nghiệm phân loại chất lượng rượu vang: a) Hai liệu có liên quan đến biến thể màu đỏ trắng rượu vang "Vinho Verde" Bồ Đào Nha Do vấn đề quyền riêng