Đề bài nghiên cứu ứng dụng mạng nơron cho bài toán phân loại rượi

Hình 1:Cấu tạo mạng Neural Quan sát hình ảnh trên, ta có thể thấy một Neural có thể nhận nhiều đầu vào và cho ra một kết quả duy nhất.. Các đầu vào được điều phối tầm ảnh hưởng bởioo các

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 bài toán phân loại

rượi

Sinh viên thực hiện: Giảng viên hướng dẫn: Nguyễn Văn Linh GV.THS Đặng Hữu Nghị MSV:1921050355

Mục Lục:

I)Tìm hiểu giải thuật mô hình Neural Networks được sử dụng trong bài toán 3

A Perceptrons cơ bản 3

B Kiến trúc mạng Neural nhân tạo 4

C Kiến trúc mạng Neural MLP (Multi-layer Perceptron): 5

II Mô tả bài toán thực nghiệm: 6

III Mô tả về tệp dữ liệu thực nghiệm về phân loại chất lượng của rượu vang:8 6) Kết luận: 24

7) Tài liệu tham khảo: 24

I)Tìm hiểu giải thuật mô hình Neural Networks được sử dụng trong bài toán

Ngày nay, không chỉ dừng lại ở mức nghiên cứu lý thuyết, các nghiên cứu ứng dụng mạng nơron để giải quyết các bài toán thực tế được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau

Các ứng dụng mạng nơron ra đời ngày càng nhiễu và ngày càng hoàn thiện hơn Việc ứng dụng mạng nơron để đánh giá cắm quan trong thực phẩm là một vấn để mới và chưa có nhiều ứng dụng tại Việt Nam Tuy nhiên phương pháp này khi thựcnghiệm chương trình thì tốn nhiều thời gian để huấn luyện và cho ra kết quả dự báo với độ chính xác chưa cao Từ những vấn để nêu trên, trong nghiên cứu này tácgiả trình bày một cách tiếp cận mới là kết hợp kỹ thuật gom cụm và mạng nơron đểđánh giá cảm quan trong thực phẩm Dữ liệu sẽ được tiến hành gom cụm dùng giảithuật K-Means, tiếp theo huấn luyện dữ liệu trên từng cụm dùng giải thuật lan truyền ngược Với phương pháp mới này thì kết quả dự báo các chỉ số đánh giá cảm quan trong thực phẩm sẽ chính xác hơn và giầm thời gian huấn luyện

A Perceptrons cơ bản

Một mạng Neural được cấu thành bởi các Neural đơn lẻ được gọi là

các perceptron Nên trước tiên ta tìm hiểu xem perceptron là gì đã rồi tiến tới mô hình của mạng Neural sau Neural nhân tạo được lấy cảm hứng từ Neural sinh học như hình sau:

Hình 1:Cấu tạo mạng Neural

Quan sát hình ảnh trên, ta có thể thấy một Neural có thể nhận nhiều đầu vào và cho ra một kết quả duy nhất Mô hình của perceptron cũng tương tự như vậy Một perceptron sẽ nhận một hoặc nhiều đầu vào dạng nhị phân và cho ra một x

kết quả dạng nhị phân duy nhất Các đầu vào được điều phối tầm ảnh hưởng bởioo

các tham số trọng lượng tương ứng của nó, còn kết quả đầu ra được quyết định w

dựa vào một ngưỡng quyết định nào đó.b

B Kiến trúc mạng Neural nhân tạo

Mạng Neural là sự kết hợp của của các tầng perceptron hay còn được gọi là

perceptron đa tầng (multilayer perceptron) như hình vẽ bên dưới

Hình 2:Kiến trúc mạng neural nhân tạo

Neural ở các tầng thường được liên kết đôi một với nhau tạo thành mạng kết nối

đầy đủ (full- connected network).

C Kiến trúc mạng Neural MLP (Multi-layer Perceptron):

Mô hình mạng nơron được sử dụng rộng rãi nhất là mô hình mạng nhiều tầng truyền thẳng (MLP: Multi Layer Perceptron) Một mạng MLP tổng quát là mạng

có n (n≥2) tầng (thông thường tầng đầu vào không được tính đến): trong đó gồm một tầng đầu ra (tầng thứ n) và (n-1) tầng ẩn

Hình 3:Mạng Neural MLP

Kiến trúc của một mạng MLP tổng quát có thể mô tả như sau:

 Đầu vào là các vector (x1, x2, …, xp) trong không gian p chiều, đầu ra là cácvector (y1, y2, …, yq) trong không gian q chiều Đối với các bài toán phân loại, p chính là kích thước của mẫu đầu vào, q chính là số lớp cần phân loại

 Mỗi neural thuộc tầng sau liên kết với tất cả các nơron thuộc tầng liền trước nó

 Đầu ra của neural tầng trước là đầu vào của nơron thuộc tầng liền sau nó.Hoạt động của mạng MLP như sau: tại tầng đầu vào các neural nhận tín hiệu vào

xử lý (tính tổng trọng số, gửi tới hàm truyền) rồi cho ra kết quả (là kết quả của hàmtruyền); kết quả này sẽ được truyền tới các neural thuộc tầng ẩn thứ nhất; các nơron tại đây tiếp nhận như là tín hiệu đầu vào, xử lý và gửi kết quả đến tầng ẩn thứ 2 Quá trình tiếp tục cho đến khi các neural thuộc tầng ra cho kết quả

II Mô tả bài toán thực nghiệm:

Trong bài báo cáo này, ta sẽ khám phá tạp dữ liệu về rượu:

Đầu tiên, chúng tôi thực hiện phân tích dữ liệu mô tả và khám phá Tiếp theo, chúng ta chạy giảm kích thước với các thuật toán PCA và TSNE để kiểm tra chức năng của chúng Cuối cùng, một bộ phân loại rừng ngẫu nhiên được triển khai, so

sánh các giá trị tham số khác nhau để kiểm tra xem tác động của bộ phân loại đến kết quả như thế nào.

Trong các điểm trước, ta thấy tất cả các biến trong tập dữ liệu, ngoại trừ biến mục tiêu, là số liên tục Không có giá trị nào bị thiếu trong bất kỳ biến nào Từ các giá trị thống kê cơ bản, ta có thể thấy rằng không có biến nào tuân theo phân phối chuẩn, vì không có biến nào có trung bình là 0 và độ lệch chuẩn 1 Trong biểu đồ,

ta có thể quan sát cách biến rượu có phân bố tập trung nhiều hơn hoặc ít hơn, với hầu hết các biến các bản ghi có giá trị từ 12 đến 14 độ, đối với color_intensity và magie, ta quan sát thấy sự phân bố của chúng bị lệch sang trái

Ta có thể quan sát rằng biến có thể xác định rõ nhất loại rượu là biến rượu, vì theo biểu đồ, các loại rượu có ít trùng nhau hơn theo lượng rượu, chúng ta thấy loại 0 và

1 được phân biệt rõ ràng như thế nào trong một số các dãy Đối với cường độ màu,

nó cũng sẽ cho phép chúng ta có được sự phân loại, mặc dù có thể quan sát thấy sựchồng chéo nhiều hơn của các biểu đồ Magnesium dường như là biến ít xác định loại rượu nhất vì các biểu đồ khá trùng lặp trong hầu hết các biểu đồ

Ta có thể thấy mối tương quan của rượu với Magnesium thấp như thế nào có thể thấy ở hướng thấp của các điểm trong biểu đồ này Chúng ta cũng có thể quan sát thấy rất ít định hướng trong biểu đồ Magnesium với color_intensity, tương ứng với chỉ số tương quan rất thấp được tìm thấy trước đây Mặt khác, mối tương quan của rượu với color_intensity là cao nhất cũng như có thể thấy ở mức độ cao hơn của biểu đồ chấm của nó, mặc dù không có mối tương quan cao Chúng ta có thể thấy mối tương quan của rượu với Magnesium thấp như thế nào có thể thấy ở hướng thấp của các điểm trong biểu đồ này Chúng ta cũng có thể quan sát thấy rất ít định hướng trong biểu đồ Magnesium với color_intensity, tương ứng với chỉ số tương quan rất thấp được tìm thấy trước đây Mặt khác, mối tương quan của rượu với color_intensity là cao nhất cũng như có thể thấy ở mức độ cao hơn của biểu đồ chấm của nó, mặc dù không có mối tương quan cao

Trong trường hợp được hiển thị, cả PCA và TNSE đều cho thấy sự cải thiện trong

mô hình, cả hai đều hoạt động theo cách tương tự, điều này phù hợp với đồ thị của bài tập Cần lưu ý rằng kết quả này có được bằng cách thực hiện liên tục thuật toánTSNE kể từ nó chứa một thành phần ngẫu nhiên, cũng như các khu rừng ngẫu nhiên Tham số random_state được sử dụng để có thể lặp lại kết quả trong các lần thực thi khác nhau của thuật toán

Tiếp theo, chúng ta sẽ kiểm tra các thông số n_estimators, max_depth và

min_samples_split với các giá trị khác nhau, để thấy rõ mục đích và ảnh hưởng củachúng đến kết quả, chúng tôi sẽ lưu tất cả các kết quả dự đoán hiệu quả trên dữ liệuthử nghiệm và huấn luyện, đồng thời hiển thị một biểu đồ Để thấy rõ hơn sự cải tiến của nó, chúng ta sẽ kiểm tra trên tập dữ liệu mà không giảm kích thước vì nó không phải là mô hình tốt nhất, vì vậy chúng ta có thể kiểm tra mức độ cải thiện của mô hình với mỗi tham số

III Mô tả về tệp dữ liệu thực nghiệm về phân loại chất lượng của rượu vang:

a) Hai bộ dữ liệu có liên quan đến các biến thể màu đỏ và trắng của rượu vang

"Vinho Verde" của Bồ Đào Nha Do các vấn đề về quyền riêng tư và hậu cần, chỉ

có các biến số hóa lý (đầu vào) và cảm quan (đầu ra) (ví dụ: không có dữ liệu về loại nho, nhãn hiệu rượu, giá bán rượu, v.v.)

Các tập dữ liệu này có thể được xem như các nhiệm vụ phân loại hoặc hồi quy Cáclớp được sắp xếp theo thứ tự và không cân bằng (ví dụ: có nhiều loại rượu bình thường hơn loại xuất sắc hoặc kém) Các thuật toán phát hiện ngoại lệ có thể được

sử dụng để phát hiện một số loại rượu ngon hoặc kém Ngoài ra, chúng tôi không chắc liệu tất cả các biến đầu vào có liên quan hay không Vì vậy, có thể thú vị khi thử nghiệm các phương pháp lựa chọn tính năng.

6 - lưu huỳnh đioxit tự do

7 - tổng lưu huỳnh đioxit

12 - chất lượng (điểm từ 0 đến 10)

c) Số mẫu

gồm: 1600mẫu + 6498 mẫu= 8098 mẫu

d) bài thực nghiệm thuộc loại: phân loại theo mô hình mạng nơron(Neural

Networks)

e) địa chỉ website tải tệp dữ liệu:

Rượi vang :( https://archive.ics.uci.edu/ml/datasets/Wine )

4 Thực nghiệm:

Khai báo thư viện:

-Tải tập dữ liệu:

-In tập dữ liệu ra màn hình:

-Tìm kiếm các giá trị bị thiếu và rỗng:

-Xem tần suất mục tiêu biến đổi:

-Kiểm tra bằng đồ thị:

-hiển thị dữ liệu:

-Hiển thị biểu đồ:

-Phân tích biểu đồ rượu:

-Phân tích biểu đồ color-intensity:

-Biểu đồ rượu với giá trị trung bình và lệch chuẩn:

-Biểu đồ color-intensity với giá trị trung bình và độ lệch chuẩn:

-Biểu đồ magnesium với giá trị trung bình và độ lệch chuẩn:

-Bảng tương quan:

-Biểu đồ điểm phân tán:

-Giá trị trung bình và độ lệch chuẩn:

-Mean: 0,94

-Standard Dev:0.03

-Giá trị trung bình và độ lệch chuẩn:

-Mean:0.94

Standard Dev:0.03

-Độ chính xác :98%

Đổng thời qua việc tiến hành thử nghiệm thu được những giá tị dự báo có độ chính xác khá cao (vào khoảng 98%), cho thấy tính tu việt của việc ứng dụng kỹ thuật gom cụm và mạng ndron để đánh giá cảm quan thực phẩm Từ đó mở ra một hướng đi khả quan cho việc ứng dụng máy học vào giải quyết bài toán đánh giá cảm quan trong thực phẩm.

Việc ứng dụng nơron kết hợp với phân cụm để giải bài toán đánh giá cảm quan thực phẩm là một phương pháp mới mang tính khả quan cao Quá trình cài đặt chương trình đánh giá cẩm quan đã thụ được một số kết quả nhất định

7) Tài liệu tham khảo:

neural-networks/data

https://www.kaggle.com/code/andrecarneiroamaral/wine-quality-classification-https://www.alldatascience.com/classification/wine-dataset-analysis-with-python/https://en.wikipedia.org/wiki/Artificial_neural_network