Vấn đề phân lớp và dự đoán là khâu rất quan trọng trong học máy và khai phá dữ liệu, phát triển tri thức. Kỹ thuật Support Vector Machines (SVM) được đánh giá là công cụ mạnh và tinh vi nhất hiện nay cho những bài toán phân lớp phi tuyến. Nhiều ứng dụng đã và đang được xây dựng dựa trên kỹ thuật SVM rất hiệu quả.
Trang 1TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT KHOA CÔNG NGHỆ THÔNG TIN
Môn: KHAI PHÁ DỮ LIỆU
ĐỀ TÀI: Phương pháp Support Vector Machines
Danh sách sinh viên :
- Trần Thị Thơm 14110192
- Huỳnh Nhật Thành 14110178
- Nguyễn Quang Nhật 14110137
TP.HCM, ngày 26 tháng 04 năm 2017
Trang 21. Nội dung chung
Tên đề tài:
2. Phương pháp Support Vector Machines
Giảng viên hướng dẫn:
3. Quách Đình Hoàng
Sinh viên thực hiện:
- Trần Thị Thơm
- Huỳnh Nhật Thành
- Nguyễn Quang Nhật
Thông tin liên lạc của sinh viên
4.
St
t
5.
Tên
6.
MSSV
8.
1
9.
Trần Thị Thơm
10.
14110192
2@student.hcmute.edu.vn
12.
2
13.
Huỳnh Nhật Thành
14.
14110178
8@student.hcmute.edu.vn
16.
3
17.
Nguyễn Quang Nhật
18.
14110137
7@student.hcmute.edu.vn
20.
Chương trình, ứng dụng sử dụng:
- Chương trình sử dụng: R studio
- Ứng dụng:
21. Phân công thực hiện
22.
P
23. Thực hiện 24.
25.
C
26. Tìm kiếm, tổng hợp tài liệu
27. Lên nội dung cần làm cho
đề tài, thời gian thực hiện
28. Trình bày
31.
Trang 329. Sửa lỗi 30
32.
N
33. Tìm hiểu, xây dựng nội dung
cơ bản
34.
35.
H
36. Triển khai nội dung chi tiết từng phần
37.
38.
T
39. Tổng hợp, viết bài báo cáo
40.
Trang 441. MỞ ĐẦU
42. Trong thời đại công nghệ thông tin hiện nay, sự phát triển của công nghệ kéo theo sự gia tăng rất lớn của lưu lượng thông tin lưu trữ và trao đổi Do
đó, yêu cầu về tổ chức lưu trữ và truy cập thông tin sao cho hiệu quả được đặt lên hàng đầu Hướng giải quyết được đưa ra là tổ chức, tìm kiếm và phân loại thông tin một cách hiệu quả Bản thân con người trong đời sống cũng tiếp nhận thế giới xung quanh thông qua sự phân loại và tổ chức ghi nhớ tri thức một cách hiệu quả Phân loại thông qua các lớp và mô tả các lớp giúp cho tri thức được định dạng và lưu trữ trong đó
43. Có nhiều phương pháp phân loại đã được nghiên cứu và được áp dụng Hiện nay, phương pháp phân loại Support Vector Machines là một trong những phương pháp mạnh và hiệu quả để giải quyết các bài toán lớp phi tuyến được Vapnik và Chervonenkis giới thiệu vào năm 1995 Vì vậy, nhóm em chọn đề tài “Nghiên cứu thuật toán máy SVM”
44. Lý do chọn đề tài
45. Vấn đề phân lớp và dự đoán là khâu rất quan trọng trong học máy và khai phá dữ liệu, phát triển tri thức Kỹ thuật Support Vector Machines (SVM) được đánh giá là công cụ mạnh và tinh vi nhất hiện nay cho những bài toán phân lớp phi tuyến Nhiều ứng dụng đã và đang được xây dựng dựa trên kỹ thuật SVM rất hiệu quả
46. Nội dung cơ bản bao gồm
47. Chương 1: Giới thiệu Support Vector Machines
48. Chương 2: Tại sao chọn Support Vector Machines
49. Chương 3: Đặt vấn đề
50. Chương 4: Bài toán phân 2 lớp với SVM
51. Chương 5: So sánh và cải tiến SVM
52. Phần kết luận
53. Phần Demo
54. Phần tài liệu tham khảo
Trang 556. CHƯƠNG 1: GIỚI THIỆU VỀ SUPPORT
VECTOR MACHINE
57.
1. Giới thiệu
58. Bài toán phân lớp (Classification) và dự đoán (Prediction) là
hai bài toán cơ bản và có rất nhiều ứng dụng trong tất cả các lĩnh vực như: học máy, nhận dạng, trí tuệ nhân tạo , v v Trong đề tài này, chúng em sẽ
đi sâu nghiên cứu phương pháp Support Vector Machines (SVM), một phương pháp rất hiệu quả hiện nay
59. Phương pháp SVM được coi là công cụ mạnh cho những bài toán phân lớp phi tuyến tính được các tác giải Vapnik và Chervonenkis phát triển mạnh mẽ năm
1995 Phương pháp này thực hiện phân lớp dựa trên nguyên lý Cực tiểu hóa rủi ro có Cấu trúc SRM
(Structural Risk Minimization), được xem là một
trong các phương pháp phân lớp giám sát không tham
số tinh vi nhất cho đến nay Các hàm công cụ đa dạng của SVM cho phép tạo không gian chuyển đổi để xây dựng mặt phẳng phân lớp
60
2. Lịch sử
61. Thuật toán Support Vector Machines (SVM) ban đầu tìm ra bởi Vladimir N.Vapnik và dạng chuẩn hiện nay sử dụng lề mềm được tìm ra bởi Vapnik và Corinna Cortes năm 1995
62
3. Định nghĩa
63. Là phương pháp dựa trên nền tảng của lý thuyết thống kê nên
có một nền tảng toán học chặt chẽ để đảm bảo rằng kết quả tìm được là chính xác
64. Là thuật toán học giám sát (supervied learning)
được sử dụng cho phân lớp dữ liệu
65. Là một phương pháp thử nghiệm, đưa ra 1 trong những phương pháp mạnh và chính xác nhất trong số các thuật toán nổi tiếng về phân lớp dữ liệu
Trang 666. SVM là một phương pháp có tính tổng quát cao nên có thể được áp dụng cho nhiều loại bài toán nhận dạng và phân loại
67
68
4. Ứng dụng
- Nhận dạng: tiếng nói, ảnh, chữ viết tay (hơn mạng nơron)
- Phân loại văn bản, khai mỏ dữ liệu văn bản
- Phân tích dữ liệu theo thời gian
- Phân tích dữ liệu gien, nhận dạng bệnh, công nghệ bào chế thuốc
- Phân tích dữ liệu marketing
69.
70
71. CHƯƠNG 2: TẠI SAO CHỌN SUPPORT
VECTOR MACHINES
72.
73. Sử dụng thuật toán Support vector machines có nhiều lơi ích:
SVM rất hiệu quae để giải quyết bài toán dữ liệu có số chiều lớn (ảnh của dữ liệu biểu diễn gien, protein, tế bào)
SVM giải quyết vấn đề overfitting rất tốt (dữ liệu có nhiễu và tách rời nhóm hoặc dữ liệu huấn luyện quá ít)
Là phương pháp phân lớp nhanh
Có hiệu suất tổng hợp tốt và hiệu suất tính toán cao
74
75. CHƯƠNG 3: ĐẶT VẤN ĐỀ
1. Ý tưởng
76. Cho trước một tập huấn luyện, được biểu diễn trong không gian vector, trong đó mỗi tài liệu là một điểm, phương pháp này tìm ra một siêu phẳng f quyết định tốt nhất có thể chia các điểm trên không gian này thành hai lớp riêng biệt tương ứng là lớp “+” và lớp “-” Chất lượng của siêu phẳng này được quyết định bởi khoảng cách (gọi là biên) của điểm
dữ liệu gần nhất của mỗi lớp đến mặt phẳng này Khi đó, khoảng cách biên càng lớn thì mặt phẳng quyết định càng tốt, đồng thời việc phân loại càng chính xác
Trang 777. Ý tưởng của nó là ánh xạ (tuyến tính hoặc phi tuyến) dữ liệu vào không gian các vector đặc trưng (space of feature vectors) mà ở đó một siêu phẳng tối ưu được tìm ra để tách dữ liệu thuộc hai lớp khác nhau
78. Mục đích của phương pháp SVM là tìm được khoảng cách biên lớn nhất
79.
80. Đường tô đậm là siêu phẳng tốt nhất và các điểm được bao bởi hình chữ nhật là những điểm gần siêu phẳng nhất, chúng được gọi là các vector hỗ trợ (support vector) Các đường nét đứt mà các support vector nằm trên đó được gọi là lề (margin)
81
2. Cơ sở lý thuyết
82. SVM thực chất là một bài toán tối ưu, mục tiêu của thuật toán này là tìm được một không gian F và siêu phẳng quyết định f trên F sao cho sai số phân loại là thấp nhất
83. Cho tập mẫu D = {(x1, y1), (x2,y2), …, (xl, yl)} với xi , thuộc vào hai lớp nhãn yi {-1,1} là tập nhãn lớp tương ứng của các xi (-1 biểu thị lớp I, 1 biểu thị lớp II)
84. Ta có, phương trình siêu phẳng chứa vector trong không gian: 85
86. + b = 0 87
88. Đặt f() = sign(.+ b) ={
Trang 889. Như vậy, f() biểu diễn sự phân lớp của vào hai lớp như nêu trên.
90. Ta nói yi = +1 nếu thuộc lớp I và yi = -1 nếu thuộc lớp II
91
92
93. CHƯƠNG 4: BÀI TOÁN PHÂN 2 LỚP VỚI SVM
94.
95. Bài toán đặt ra là: Xác định hàm phân lớp lớp để phân lớp các mẫu trong tương lai, nghĩa là với một mẫu dữ liệu mới xi thì cần phải xác định xi được phân lớp +1 hay lớp -1
96. Ta xét 3 trường hợp, mỗi trường hợp sẽ có 1 bài toán tối ưu, giải được bài toán tối ưu đó sẽ tìm được siêu phẳng cần tìm
97
1. Trường hợp 1
98.
99. Tập D có thể phân chia tuyến tính được mà không có nhiễu (tất cả các điểm được gán nhãn +1 thuộc về phía dương của siêu phẳng, tất cả các điểm được gán nhãn -1 thuộc về phía âm của siêu phẳng)
100
101.
102. Hình 2 Tập dữ liệu được phân chia tuyến tính
103.
104. Ta sẽ tìm siêu phẳng tách với w là vector trọng
số, b là hệ số tự do, sao cho:
105. Đặt f() = sign(.+ b) ={ D
106. Lúc này ta cần giải toán tối ưu:
Trang 9109
2. Trường hợp 2
110.
111. Tập dữ liệu D có thể phân chia tuyến tính được nhưng có nhiễu Trong trường hợp này, hầu hết các điểm đều được phân chia đúng bởi siêu phẳng Tuy nhiên có 1 số điểm bị nhiễu, nghĩa là: điểm có nhãn dương nhưng lại thuộc phía âm của siêu phẳng, điểm
có nhãn âm nhưng lại thuộc phía dương của siêu phẳng
112.
113. Hình 3 Tập dữ liệu phân chia tuyến tính nhưng có
nhiễu 114.
115. Trong trường hợp này, ta sử dụng 1 biến mềm sao cho: y i (.+ b) , i=1,…,l
116. Bài toán tối ưu trở thành :
117. {
118. Trong đó C là tham số xác định trước, định nghĩa giá trị ràng buộc, C càng lớn thì mức độ phạm vi đối với những lỗi thực nghiệm (là lỗi xảy ra lúc huấn luyện, tính bằng thương số của số phần tử lỗi và tổng số phần tử huấn luyện) càng cao
Trang 103. Trường hợp 3
119.
120. Ta dữ liệu D không thể phân chia tuyến tính được,
ta sẽ ánh xạ các vector dữ liệu x từ không gian n chiều vào một không gian m chiều (m > n), sao cho trong không gian m chiều, D có thể phân chia tuyến tính được
121.
122. Hình 4 Tập dữ liệu không phân chia tuyến tính.
123.
124. Gọi là ánh xạ phi tuyến từ không gian vào không giam
126. Bài toán tối ưu trở thành:
4. Bài toán phân đa lớp của SVM
128. Để phân đa lớp thì kỹ thuật SVM sẽ chia không gian dữ liệu thành 2 phần và tiếp tục với không gian
đã được phân chia Khi đó hàm quyết định phân dữ liệu vào lớp thứ I sẽ là:
129
130
131. Những phần tử x là support vector nếu thỏa điều kiện:
Trang 11133. Giả sử bài toán phân loại k lớp (k ), ta sẽ tiến hành k(k-1)/2 lần phân lớp nhị phân sử dụng phương pháp SVM Mỗi lớp sẽ tiến hành phân tách với k-1 lớp còn lại để xác định k-1 hàm phân tách (chiến lược “một-đối-một” (one-against-one)
134. Kỹ thuật phân đa lớp bằng phương pháp hiện vẫn đang được tiếp tục nghiên cứu và phát triển
LƯU Ý : CÁC BƯỚC CHÍNH CỦA PHƯƠNG PHÁP SVM
135
Tiền xử lý dữ liệu: Phương pháp SVM yêu cầu được diễn tả như các vector của các số thực Như vậy nếu đầu vào chưa phải là số thực thì ta cần tìm cách chuyển chúng về dạng số SVM Tránh các
số quá lớn, thường nên co giãn dữ liệu để chuyển đoạn [-1,1] hoặc [0,1]
Chọn hàm hạt nhân: cần chọn hàm hạt nhân phù hợp tương ứng cho từng bài toán cụ thể để đạt được độ chính xác cao trong quá trình học tập
Thực hiện việc kiểm tra chéo để xác định các tham số cho ứng dụng
Sử dụng các tham số cho việc huấn luyện tập mẫu
Kiểm thử tập dữ liệu Test
136
137. CHƯƠNG 5: SO SÁNH VÀ MỘT SỐ CẢI TIỀN 138.
139. Một số phương pháp như neuron, fuzy logic, mạng
fuzzy-neuron,…, cũng được sử dụng thành công để giải quyết bài toán phân lớp
Ưu điểm của phương pháp này là không cần xác định mô hình đối của đối tượng
140. SVM có 2 đặc trưng cơ bản:
- Nó luôn kết hợp với các dữ liệu có ý nghĩa về mặt vật lý, do vậy dễ dàng giải thích được một cách tường minh,
- Cần một tập các mẫu huấn luyện rất nhỏ
Trang 12141. Phương pháp SVM hiện nay được xem là một công cụ mạnh và tinh
vi nhất hiện any cho những bài toán phân lớp phi tuyến Nó có một số biến thể như C-SVC, v-SVC Cải tiến mới nhất hiện nay của phương pháp SVM
đã được công bố là thuật toán NNSRM (Nearest Neighbor Structural Risk Minimization) là sự kết hợp giữa 2 kỹ thuật SVM và Nearest Neighbor 142
143. KẾT LUẬN
1. Ưu điểm và nhược điểm của phương pháp Support Vector Machines
144.
1.1. Ưu điểm
145. Là một kĩ thuật phân lớp khá phổ biến, SVM thể hiện được nhiều ưu điểm trong số đó có việc tính toán hiệu quả trên các tập dữ liệu lớn Có thể kể thêm một số ưu điểm của phương pháp này như:
• Xử lý trên không gian số chiều cao: SVM là một công cụ tính toán
hiệu quả trong không gian chiều cao, trong đó đặc biệt áp dụng cho các bài toán phân loại văn bản và phân tích quan điểm nơi chiều có thể cực kỳ lớn
• Tiết kiệm bộ nhớ: Do chỉ có một tập hợp con của các điểm được sử
dụng trong quá trình huấn luyện và ra quyết định thực tế cho các điểm
dữ liệu mới nên chỉ có những điểm cần thiết mới được lưu trữ trong
bộ nhớ khi ra quyết dịnh
• Tính linh hoạt - phân lớp thường là phi tuyến tính Khả năng áp dụng
Kernel mới cho phép linh động giữa các phương pháp tuyến tính và phi tuyến tính từ đó khiến cho hiệu suất phân loại lớn hơn
146.
1.2. Nhược điểm
tập dữ liệu lớn hơn rất nhiều so với số lượng dữ liệu (n) thì SVM cho
kết quả khá tồi
cố gắng tách các đối tượng vào hai lớp được phân tách bởi siêu phẳng SVM Điều này chưa giải thích được xác suất xuất hiện của một thành viên trong một nhóm là như thế nào Tuy nhiên hiệu quả của việc
Trang 13phân lớp có thể được xác định dựa vào khái niệm margin từ điểm dữ
liệu mới đến siêu phẳng phân lớp mà chúng ta đã bàn luận ở trên
147
2. Những kết quả đạt được
148.
- Nghiên cứu và trình bày cơ sở của lý thuyết của phương pháp học máy
- Trình bày phương pháp SVM Đây là một phương pháp phân lớp hiệu quả được nghiên cứu nhiều nhất trong thời gian qua
- Phân tích những giải pháp cho phép mở rộng và cải tiến để nâng cao hiệu quả ứng dụng của SVM:
• Kết hợp phương pháp SVM với một số phương pháp khác như
phương pháp người láng giếng gần nhất (nearest neighbor),…
để làm tăng hơn nữa tốc độ tính toán, cũng như độ chính xác cho SVM
• Cải tiến SVM cho phép phân chia không gian dữ liệu một cách tốt hơn, nhằm loại bỏ những vùng không được phân lớp bằng cách đưa kỹ thuật mờ vào SVM
149
3. Hướng phát triển của đề tài
150.
- Thông qua các ứng dụng thực tiễn đã và đang nghiên cứu sử dụng
phương pháp SVM, có thể thấy được những khả năng to lớn của nó, đồng thời mở ra những ứng dụng mới
- Kết hợp phương pháp SVM với những phương pháp khác phù hợp với từng đối tượng cụ thể nhằm làm tăng hơn nữa hiệu quả phân lớp, tốc độ tính toán cũng như độ chính xác cho SVM
152
153. TÀI LIỆU THAM KHẢO
154.
155. [1] Thái Sơn: Luận văn thạc sỹ khoa học: Kỹ thuật Support Vector Machines
và ứng dụng Ngành toán tin ứng dụng: Đại học Bách khoa Hà Nội, 2006
156. [2] PGS.TS Vũ Thành Nguyên, Thi Minh Nguyễn: Một số cải tiến của bài toán phân lớp văn bản sử dụng thuật toán SVM và áp dụng trong phân tích tiếng Việt Đại học Công nghệ thông tin – ĐHQG, 2011
Trang 14157. [3] Phạm Văn Sơn: Đồ án tốt nghiệp đại học hệ chính quy: Tìm hiểu về Support Vector Machines cho bài toán phân lớp quan điểm.Đại học dân lập Hải Phòng,2012
158. [4]Jiawei Han, Micheline Kamber, Jian Pei Data Mining Concepts and Techniques, 3rd Edition
159.