Aprendizagem de Máquinaalekoe/AM/2008/4-Aprendizagem... · ([email protected])...

Aprendizagem de Máquina

Aprendizagem Bayesiana

Alessandro L. Koerich

Mestrado/Doutorado em Informática (PPGIa)Pontifícia Universidade Católica do Paraná (PUCPR)

Mestrado/Doutorado em Informática (PPGIa) Aprendizagem de Máquina 2Alessandro L. Koerich ([email protected])

Plano de Aula

IntroduçãoTeorema de Bayes e Aprendizagem ConceitualClassificador Ótimo de BayesAlgoritmo de GibbsClassificador Naïve BayesExemplosResumo


Referências

Duda R., Hart P., Stork D. PatternClassification 2ed. Willey Interscience, 2002. Capítulos 2 & 3

Mitchell T. Machine Learning. WCB McGraw–Hill, 1997. Capítulo 6.

Theodoridis S., Koutroumbas K. PatternRecognition. Academic Press, 1999. Capítulo 2


Introdução

O pensamento Bayesiano fornece uma abordagem probabilística para aprendizagem

Está baseado na suposição de que as quantidades de interesse são reguladas por distribuições de probabilidade.

Distribuições de probabilidade: Ver documento em anexo.


Introdução

Decisões ótimas podem ser tomadas com base nestas probabilidades conjuntamente com os dados observados.

Fornece uma solução quantitativa ponderando a evidência suportando hipóteses alternativas.

Fornece a base para algoritmos de aprendizagem que manipulam probabilidades bem como outros algoritmos que não manipulam probabilidades explicitamente.


Introdução

Os métodos Bayesianos são relevantes por dois motivos:

1. Fornecem algoritmos de aprendizagem práticos:

Aprendizagem Naïve BayesAprendizagem de Redes BayesianasCombinam conhecimento a priori com os dados observadosRequerem probabilidades a priori


Introdução

2. Fornecem uma estrutura conceitual útil:

Fornece “norma de ouro” para avaliar outros algoritmos de aprendizagem

Percepção adicional dentro do Occam’s razor

Norma de Ouro: menor erro possível


Características da Aprendizagem Bayesiana

1.

Cada exemplo de treinamento pode decrementar ou incrementar incrementalmente a probabilidade de uma hipótese ser correta.

2.

Conhecimento a priori pode ser combinado com os dados observados para determinar a probabilidade de uma hipótese.

3.

Métodos Bayesianos podem acomodar hipóteses que fazem predições probabilísticas (Ex: Este paciente tem uma chance de 93% de se recuperar)


Características da Aprendizagem Bayesiana

4.

Novas instâncias podem ser classificadas combinando a probabilidade de múltiplas hipóteses ponderadas pelas suas probabilidades.


Dificuldades Práticas

Métodos Bayesianos requerem o conhecimento inicial de várias probabilidades.

Quando não conhecidas, podem ser estimadas a partir de conhecimento prévio, dados previamente disponíveis e suposições a respeito da forma da distribuição.

Custo computacional significativo para determinar a hipótese ótima de Bayes

É geralmente linear com o número de hipóteses


Teorema de Bayes

)()()|(

)|(DP

hPhDPDhP =

P(h): probabilidade a priori da hipótese h

P(D|h): probabilidade de D dado h.

P(h|D): probabilidade de h dado D

P(D): probabilidade a priori dos dados de treinamento D


Teorema de Bayes

P(h|D) é chamada de probabilidade a posterioride h porque ela reflete nossa confiança que h se mantenha após termos observado o dado de treinamento D.

P(h|D) reflete a influência do dado de treinamento D.

Em contraste, a probabilidade a priori P(h) éindependente de D.


Teorema de Bayes

Geralmente queremos encontrar a hipótese mais provável h ∈ H, sendo fornecidos os dados de treinamento D.

Ou seja, a hipótese com o máximo a posteriori (MAP)

)()|(maxarg )(

)()|(maxarg

)|(maxarg

hPhDPDP

hPhDP

DhPh

Hh

Hh

HhMAP

∈

∈

∈

=

=

≡


Teorema de Bayes

Desprezamos o termo P(D) porque ele é uma constante independente de h.

Se assumirmos que cada hipótese em H éigualmente provável a priori, i.e.

P(hi ) = P(hj ) ∀

hi e hj em H

Então, podemos simplificar mais e escolher a hipótese de máxima probabilidade condicional (maximum likelihood = ML).


Teorema de Bayes

O termo P(D|h) é chamado de probabilidade condicional (ou likelihood) de D

Sendo fornecido h, qualquer hipótese que maximiza P(D|h) é chamada de uma hipótese ML.

)|(maxarg hDPhHh

ML∈

≡


Teorema de Bayes: Exemplo

Considere um problema de diagnóstico médico onde existem duas hipóteses alternativas:

1.

O paciente tem câncer

2.

O paciente não tem câncer

Os dados disponíveis são de um exame de laboratório com dois resultados possíveis:

⊕: positivo: negativo



Temos o conhecimento prévio que na população inteira somente 0.008 tem esta doença.

O teste retorna um resultado positivo correto somente em 98% dos casos nos quais a doença estáatualmente presente.

O teste retorna um resultado negativo correto somente em 97% dos casos nos quais a doença não esteja presente.

Nos outros casos, o teste retorna o resultado oposto.



P(câncer) =

P(¬câncer) =

P(⊕|câncer) =

P( |câncer) =

P(⊕|¬câncer) =

P( | ¬ câncer) =



Supondo que um paciente fez um teste de laboratório e o resultado deu positivo.

O paciente tem câncer ou não ?


Aplicando o Teorema de Bayes

Calculando a hipótese com maior probabilidade a posteriori:

P(⊕|câncer) P(câncer) = 0.98 . 0.008 = 0.0078P(⊕|¬câncer) P(¬câncer) = 0.03 . 0.992 = 0.0298

Assim, hMAP = ¬câncer


Formulação Básica de Probabilidades


Aprendizagem Conceitual Força–Bruta

Qual a relação entre o teorema de Bayes e a aprendizagem de conceito?

Considere:um espaço finito de hipóteses H definido sobre um espaço de instâncias Xa tarefa é aprender algum conceito alvo c: X → {0,1)Assumindo que é fornecida uma seqüência de exemplos de treinamento <x1...xm> e valores alvos correspondentes <d1...dm>



Podemos projetar um algoritmo de aprendizagem de conceito que fornece na saída a hipótese de máxima probabilidade a posteriori:

1.

Para cada hipótese h em H calcular a probabilidade a posteriori:

2.

Escolher a hipótese hMAP com probabilidade a posteriori mais alta:

)()()|()|(

DPhPhDPDhP =

)|(maxarg DhPhHh

MAP∈

=



Escolher P(h) como sendo uma distribuição uniforme

Escolher P(D|h)

Agora podemos usar o teorema de Bayes para estimar P(h|D) para cada hipótese h dado os dados de treinamento D.

⎩⎨⎧

=contráriocaso

DcomeconsistentforhsehDP

0 1

)|(

HhH

hP ∈∀= 1)(



Se h for inconsistente com os dados de treinamento D, temos:

Se h for consistente com D:

onde VSH,D é

o subconjunto de hipóteses de H que são consistentes com D (i.e Espaço Versão).

.

0)()(.0)|( ==

DPhPDhP

DHDH VSH

VSH

DPH

DhP,,

11.1

)(

1.1)|( ===



Em resumo, o teorema Bayes implica que a probabilidade a posteriori P(h|D) para P(h) e P(D|h) assumidos seja:

⎪⎩

⎪⎨

⎧=

contráriocaso

DcomeconsistentforhseVSDhP DH

0

1

)|( ,



Evolução das probabilidades a posteriori com o aumento dos dados de treinamento.


Aprendizagem Conceitual


Classificador Ótimo de Bayes

Até agora consideramos a questão “Qual a hipótese mais provável (i.e. hMAP) dado os exemplos de treinamento (D)?”

De fato, a questão mais significativa é na verdade “Qual é a classificação mais provável de uma nova instância dado os dados de treinamento?”

A hipótese MAP (hMAP ) é

ou nãoa classificação mais provável?



Considere três hipóteses possíveis h1, h2 e h3 e suponha as seguintes probabilidades a posteriori destas hipóteses dado o conjunto de treinamento D:

P(h1 |D) = 0.4 P(h2 |D) = 0.3 P(h3 |D) = 0.3

Qual é a hipótese MAP?h1



Exemplo: Dada uma nova instâncias x que éclassificada da seguinte forma:

h1 (x) = + h2 (x) = –

h3 (x) = –

Qual será a classificação mais provável de x?



A classificação mais provável da nova instância x é obtida através da combinação das predições de todas as hipóteses ponderadas pelas suas probabilidades a posteriori.

Assim, a P(vj|D) que a correta classificação para a instancia seja vj é:

∑∈

=Hh

iijji

DhPhvPDvP )|()|()|(

∑∈∈

=Hh

iijVv

jij

DhPhvPDvP )|()|(maxarg)|(



A classificação ótima para a nova instância é o valor vjpara o qual P(vj|D) é máxima, i.e.:

Qualquer sistema que classifique novas instâncias de acordo com a equação acima é chamada de um classificador ótimo de Bayes.

Importante: Nenhum outro classificador que utilize o mesmo espaço de hipóteses H e mesmo conhecimento a priori pode superar este método

∑∈∈ Hh

iijVv

ij

DhPhvP )|()|(maxarg



Exemplo:P(h1 |D) = 0.4, P(–|h1 ) = 0, P(+|h1 ) = 1P(h2 |D) = 0.3, P(–|h2 ) = 1, P(+|h2 ) = 0P(h3 |D) = 0.3, P(–|h3 ) = 1, P(+|h3 ) = 0

portanto

e

6.0)|()|(

4.0)|()|(

=−

=+

∑

∑

∈

∈

Hhii

Hhii

i

i

DhPhP

DhPhP

−=∑∈−+∈ Hh

iijv

ij

DhPhvP )|()|(maxarg},{


Algoritmo de Gibbs

O classificador ótimo de Bayes fornece melhores resultados mas pode ser “dispendioso” se existirem muitas hipóteses.

Algoritmo de Gibbs:1. Escolha uma hipótese aleatoriamente de acordo com P(h|D)2. Use–a para classificar uma nova instância

Fato surpreendente: Assumindo que os conceitos alvo são tirados aleatoriamente de H segundo “a priori” em H, então:

E[erroGibbs ] ≤

2E[erroBayesÓtimo ]


Algoritmo de Gibbs

E[erroGibbs ] ≤

2E[erroBayesÓtimo ]

Supondo que temos uma distribuição uniforme de probabilidades a priori sobre H, então:

Pegue qualquer hipótese de VS, com probabilidade uniforme.

Seu erro esperado não será pior do que o dobro do erro de uma classificador Bayes ótimo.


Classificador Naïve Bayes

Junto com árvores de decisão, redes neurais e k–NN, Naïve Bayes é um dos métodos de aprendizagem mais práticos.

Quando usar ?houver disponibilidade de um conjunto de treinamento grande ou moderado.os atributos que descrevem as instâncias forem condicionalmente independentes dada a classificação.

Aplicações bem sucedidas:DiagnósticosClassificação de documentos de textuais



Se aplica a tarefas de aprendizagem onde cada instância x é descrita por um conjunção de valores de atributos e onde a função alvo, f(x) pode assumir qualquer valor de um conjunto V.

Um conjunto de exemplos de treinamento da função alvo é fornecido a uma nova instância éapresentada, descrita pela tupla de valores de atributos <a1, a2, ..., an>.

A tarefa é predizer o valor alvo (ou classificação) para esta nova instância.



A solução Bayesiana para classificar a nova instância consiste em atribuir o valor alvo mais provável (vMAP) dados os valores dos atributos <a1, a2, ..., an> que descrevem a instância.

Mas podemos usar o teorema de Bayes para reescrever a expressão . . .

),...,,|(maxarg 21 njVv

MAP aaavPvj ∈

=



Devemos agora estimar os dois termos da equação acima baseando-se nos dados de treinamento.

P(vj) é fácil de estimar . . .Porém, P(a1,a2,...,an| vj) . . .

)()|,...,,(maxarg ),...,,(

)()|,...,,(maxarg

),...,,|(maxarg

21

21

21

21

jjnVv

n

jjn

VvMAP

njVv

MAP

vPvaaaPaaaP

vPvaaaPv

aaavPv

j

j

j

∈

∈

∈

=

=

=



O classificador Naïve Bayes é baseado na suposição simplificadora de que os valores dos atributos são condicionalmente independentes dado o valor alvo.

Ou seja, a probabilidade de observar a conjunção a1, a2,..., an é somente o produto das probabilidades para os atributos individuais:

∏=i

jijn vaPvaaaP )|()|,...,,( 21



Temos assim o classificador Naïve Bayes:

onde vNB indica o valor alvo fornecido pelo Naïve Bayes.

∏∈

=i

jijVv

NB vaPvPvj

)|()(maxarg



Em resumo, o algoritmo Naïve Bayes envolve

Aprendizagem no qual os termos P(vj) e P(ai|vj) são estimados baseado nas suas freqüências no conjunto de treinamento.

O conjunto destas estimativas corresponde as hipóteses aprendidas

As hipóteses são então utilizadas para classificar cada nova instância aplicando a equação vista anteriormente (vNB)



Algoritmo Naïve Bayes

Naïve_Bayes_Learn (examplos)Para cada valor alvo vj

P’ (vj ) estimar P (vj) Para cada valor de atributo ai de cada atributo a

P’ (ai |vj ) estimar P (ai| vj)Classify_New_Instances (x)

∏∈∈

=xa

jijVv

NBij

vaPvPv )|(')('maxarg



Exemplo: Considere os 14 exemplos de treinamento de PlayTennis e uma nova instância que o Naïve Bayes deve classificar:

<Outlook=sunny, Temperature=cool, Humidity=high, Wind=strong>

Nossa tarefa é predizer o valor alvo (yes ou no) do conceito PlayTennis para esta nova instância.



Atributo alvo: PlayTennis (yes, no)



O valor alvo VNB será dado por:

Note que ai foi instanciado utilizando os valores particulares de atributo da nova instância.

Para calcular VNB são necessárias 1o probabilidades que podem ser estimadas a partir dos exemplos de treinamento.

)|()|(

)|()|()(maxarg

)|()(maxarg

},{

},{

jj

jjjnoyesv

ijij

noyesvNB

vstrongWindPvhighHumidityP

vcooleTemperaturPvsunnyOutlookPvP

vaPvPv

j

j

==

===

=

∈

∈∏



Probabilidades a priori:P(PlayTennis = yes) = 9/14 = 0.64P(PlayTennis = no) = 5/14 = 0.36

Probabilidades condicionais:P(Wind=strong | PlayTennis = yes) = 3/9 = 0.33P(Wind=strong | PlayTennis = no) = 3/5 = 0.60. . .



Usando estas estimativas de probabilidade e estimativas similares para os valores restantes dos atributos, calculamos vNB de acordo com a equação anterior (omitindo nome dos atributos) :P(yes)

P(sunny| yes) P(cool| yes) P(high| yes)

P(strong| yes) = 0.0053P(no)

P(sunny| no) P(cool| no) P(high| no) P(strong|

no) = 0.026

Então o classificador atribui o valor alvo PlayTennis = no para esta nova instância.



Sutilezas:1. Suposição de independência condicional é

muitas vezes

violada

. . . mas, de qualquer maneira, ele funciona bem. Note que não é

necessário estimar probabilidades a posteriori

P’(vj |x) para ser correta. Necessita somente que

Probabilidades Naïve Bayes a posteriori próximas de 0 e 1 são geralmente não realísticas

∏=i

jij vaPvaaP )|(),...,,( 21

)|,...,()(maxarg)|(')('maxarg 1 jnjVvi

jijVv

vaaPvPvaPvPjj ∈∈

=∏



Sutilezas:2. E se nenhuma das instâncias de treinamento com valor

alvo vj tiver uma atributo de valor ai ? Então,

e ...

A solução típica é

uma estimativa Bayesiana para P’(ai |vj )

.

0)|(' =ji vaP

mnmpnvaP c

ii ++

←)|('

0)|(')(' =∏i

jij vaPvP



onde:n é o número de exemplos de treinamento para os quais v = vj,nc é o número de exemplos para os quais v = vje a = ai

p é a estimativa a priori para P’(ai|vj)m é o peso dado as priori (i.e. número de exemplos “virtuais”).

mnmpnvaP c

ii ++

←)|('


Exemplo: Classificando Texto

Por que ?Aprender quais notícias são interessantes

Aprender a classificar páginas WEB por assunto

Naïve Bayes é um dos algoritmos mais eficientes

Quais atributos devemos usar para representar documentos de texto?



ContextoConsidere um espaço de instâncias X consistindo de todos os documentos de texto possíveis.

Dados exemplos de treinamento, de alguma função alvo f(x) que pode assumir valores de um conjunto finito V.



A tarefa de aprendizagem é aprender, a partir dos exemplos de treinamento, a predizer o valor alvo para os documento de texto subseqüentes.

Considere a função alvo como sendo documentos interessantes e não interessantes.



Projeto do Naïve Bayes:

Como representar um documento de texto arbitrário em termos de valores de atributos

Decidir como estimar as probabilidades necessárias para o Naïve Bayes.



Representação de texto arbitrário

Dado um documento de texto, este parágrafo, por exemplo, definimos um atributo para cada posição de palavra no documento e definimos o valor do atributo como sendo a palavra em português encontrada nesta posição.

O parágrafo anterior pode ser descrito por 34 valores de atributos correspondendo as 34 posições de palavras.

O valor do primeiro atributo é a palavra “Dado” e do segundo é a palavra “um” e assim por diante.



Dada a representação de documento de texto, podemos aplicar o Naïve Bayes.

Assumimosum conjunto de 700 documentos classificados por uma pessoa como não interessantesoutros 300 classificados como interessantes



Conceito alvo interessante: documento → {+, –}

1. Representar cada documento por um vetor de palavras

Um atributo por posição da palavra no documento2. Aprendendo usar exemplos de treinamento

para estimar P (+)P (–)P (doc|+)P (doc|–)



Suposição da independência condicional Naïve Bayes

onde P(ai = wk |vj ) é

a probabilidade que a palavra na posição i é

wk , dado vj .

Mais uma suposição

∏=

==)(

1

)|()|(doclength

ijkij vwaPvdocP

mivwaPvwaP jkmjki , )|()|( ∀===



Learn_Naïve_Bayes_Text (Examples, V)

1. Colecionar todas palavras, pontuação e outros tokens

que ocorrem em Examples

Vocabulary ← todas as palavras distintas e outros tokens que ocorrem em Examples

2. Calcular as probabilidade necessárias P (vj ) e P (wk |vj ) ...



Para cada valor alvo vj em V façadocsj ← subconjunto de documento de Examples para o qual o valor alvo é vj

Textj ← um documento único criado pela concatenação de todos os membros de docsj

n ← número total de posições distintas de palavras em Textj

Para cada palavra wk em Vocabularynk ← número de vezes que a palavra wk ocorre em Textj

Examples

docsvP j

j =)(

VocabularynnvwP k

jk ++

←1

)|(



Classify_Naïve_Bayes_Text (Doc)

positions ← todas as posições das palavras em Docque contém tokens encontrados em Vocabulary

retornar vNB onde

∏∈∈

=positionsi

jijVv

NB vaPvPvj

)|()(maxarg



Dados 1000 documentos de treinamento de cada grupo, aprenda a classificar novos documentos de acordo com o newsgroup de origem.

Naïve Bayes: precisão de classificação: 89%



Artigo de rec.sport.hockey


Curva de Aprendizagem


Resumo

Métodos Bayesianos: acomodam conhecimento prévio e e dados observáveis; atribuem probabilidade a posteriori para cada hipótese candidata, baseando–se na priori e dados.

Métodos Bayesianos: podem determinar a hipótese mais provável (MAP), tendo os dados.

Bayes Ótimo: combina predições de todas hipóteses alternativas, ponderadas pela probabilidade a posteriori, para calcular a classificação mais provável de cada nova instância.


Resumo

Naïve Bayes: é chamado de naïve (simples, não sofisticado), porque assume que os valores dos atributos são condicionalmente independentes.

Naïve Bayes: se a condição é encontrada, ele fornece a classificação MAP, caso contrário, pode fornecer também bons resultados.

Aprendizagem de Máquinaalekoe/AM/2008/4-Aprendizagem... · ([email protected])...

Documents

Transcript of Aprendizagem de Máquinaalekoe/AM/2008/4-Aprendizagem... · ([email protected])...