bayes classifiers

Bayes Classifiers

Θεώρημα Bayes

Tο θεώρημα Bayes εκφράζεται ως:

– όπου ωj η κλάση j και x το διάνυσμα χαρακτηριστικών

Ένας τυπικός κανόνας απόφασης είναι να επιλέγουμε την κλάση με τη μέγιστη P[ωj|x]– P[ωj] εκ των προτέρων πιθανότητα– P[ωj|x] εκ των υστέρων πιθανότητα– P[x|ωj] πιθανοφάνεια– P[x] σταθερά κανονικοποίησης

Λόγος Πιθανοφάνειας

Δεδομένου του θεωρήματος Bayes:

H P(x) μπορεί να απλοποιηθεί και μετά από ανακατάταξη της σχέσης προκύπτει ο λόγος πιθανοφάνειας Λ(x) και ο κανόνας απόφασης του Bayes:

Κανόνας Απόφασης Bayes - Άσκηση

Δεδομένου προβλήματος ταξινόμησης με τις πιο κάτω υπό συνθήκη πιθανότητες και υποθέτοντας ίσες εκ των προτέρων πιθανότητες, εξάγετε κανόνα απόφασης.

Κανόνας Απόφασης Bayes - Λύση

Αντικαθιστώντας στον κανόνα:

Απλοποιώντας

Λογαριθμόντας

Κανόνας Απόφασης Bayes - Λύση

7

Πιθανότητα λάθους

22

11

in If

in If

xRx

xRx

0

0

)()( 12

x

x

e dxxpdxxpP

Συμπέρασμα

Gaussian συνάρτηση πυκνότητας πιθανότητας

Σύμφωνα με το θεώρημα κεντρικού ορίου, η συνάρτηση πυκνότητας πιθανότητας του αθροίσματος ενός πλήθους στατιστικώς ανεξάρτητων τυχαίων μεταβλητών, τείνει στη Gaussian συνάρτηση πυκνότητας πιθανότητας, όταν το πλήθος των όρων τείνει στο άπειρο.

9

Gaussian pdf πολλών μεταβλητών

όπου

Και ο Πίνακας συνδιασποράς

Gaussian συνάρτηση πυκνότητας πιθανότητας

10

Ταξινομητές Ελάχιστης Απόστασης

Ο Βέλτιστος Bayesian ταξινομητής, απλοποιείται σημαντικά όταν:– Οι κλάσεις είναι ισοπίθανες– Τα δεδομένα σε όλες τις κλάσεις

ακολουθούν κανονική κατανομή– Το μητρώο συνδιασποράς είναι το ίδιο για

όλες τις κλάσεις– Το μητρώο συνδιασποράς είναι διαγώνιο

με όλα τα στοιχεία ίσα S=σ2Ι

11

Αν ισχύουν οι περιορισμοί ο Βayes classifier γίνεται: Euclidean Distance:

Αν δεν ισχύει ο τελευταίος περιορισμός γίνεται:

Mahalanobis Distance:

Ταξινομητές Ελάχιστης Απόστασης

Επιβλεπόμενη vs Μη-Επιβλεπόμενη Μάθηση

Μέχρι τώρα θεωρήσαμε μεθόδους αναγνώρισης με classification όπου το πρότυπο χαρακτηρίζεται από τα μεγέθη {x,ω}

Αυτά τα προβλήματα αναγνώρισης ονομάζονται Επιβλεπόμενα (supervised) αφού διατίθενται και το χαρακτηριστικό διάνυσμα και η σωστή απάντηση.

Υπάρχουν όμως περιπτώσεις όπου δίνεται το χαρακτηριστικό διάνυσμα χωρίς την κλάση.

Αυτές οι μέθοδοι καλούνται Μη-Επιβλεπόμενες (unsupervised) λόγω του ότι δεν χρησιμοποιούν τη σωστή απάντηση.

Επιβλεπόμενη vs Μη-Επιβλεπόμενη Μάθηση

Αν και η μέθοδοι μη επιβλεπόμενης μάθηση φαίνονται περιορισμένων δυνατοτήτων υπάρχουν πολλές περιπτώσεις που επιβάλλεται η χρήση τους:

Ο χαρακτηρισμός πολλών δεδομένων μπορεί να αποβεί δαπανηρός (π.χ. αναγνώριση ομιλίας)

Το είδος της κλάσης μπορεί να μην είναι γνωστό εξ’αρχής.

Κατηγοριοποιήση των μη-επιβλεπόμενων μεθόδων εκμάθησης

Παραμετρικές (μείγματα κατανομών): Αυτές οι μέθοδοι μοντελοποιούν την υπό συνθήκη πυκνότητα πιθανότητας με ένα μίγμα παραμετρικών πυκνοτήτων με σκοπό να βρουν τις παραμέτρους του μοντέλου.

Μη-παραμετρικές (clustering): Δεν γίνεται υπόθεση για την πυκνότητα πιθανότητα αλλά επιχειρείται διαχωρισμός των δεδομένων σε clusters.

Μοντέλα Μίξης Θεωρήστε το πρόβλημα μοντελοποίησης

συνάρτησης πυκνότητας πιθανότητας δεδομένου ενός συνόλου δεδομένων X={x(1, x(2, …, x(N}

Αν η μορφή πυκνότητας ήταν γνωστή το πρόβλημα θα λύνονταν με το κριτήριο της Μέγιστης Πιθανότητας

Αν η μορφή πυκνότητας ήταν άγνωστη, θα μπορούσε να λυθεί με τα παράθυρα Parzen

Μοντέλα Μίξης Εδώ θα θεωρήσουμε μια εναλλακτική

μέθοδο εκτίμησης της πυκνότητας, μέσω μείγματος παραμετρικών πυκνοτήτων

Ο αλγόριθμος ΕΜ (Expectation Maximization -μεγιστοποίηση

αναμονής) Ο ΕΜ είναι γενική μέθοδος για την εκτίμηση

της μέγιστης πιθανότητας όταν λείπουν δεδομένα.

Χρησιμοποιείται όταν όντως έχουν καταστραφεί ή λείπουν δεδομένα ή ότι η υπόθεση ότι λείπουν δεδομένα απλοποιεί τη συνάρτηση πιθανότητας

Υποθέστε σύνολο δεδομένων που περιέχει δύο είδη χαρακτηριστικών: τα Χ που είναι γνωστά και τα Ζ που είναι άγνωστα


αναμονής) Ορίζουμε μια συνάρτηση κατανομής

πιθανότητας όλων των δεδομένων p(X,Z|θ) όπου θ={μ,Σ}

Η συνάρτηση είναι τυχαίας μεταβλητής ως προς Ζ δηλ. p(X,Z|θ)=hX,θ(Z)

Ο ΕΜ έχει δύο λειτουργίες που επαναλαμβάνει:– Μια λειτουργία αναμονής (Expectation)– Μια λειτουργία μεγιστοποίησης

(Maximization)


αναμονής)ANAMONH Υπολόγισε την αναμενόμενη τιμή της

πιθανότητας log[p(X,Z|θ)] ως προς τα άγνωστα δεδομένα Ζ, δεδομένων των Χ και την τρέχουσα τιμή θ(i-1

ΜΕΓΙΣΤΟΠΟΙΗΣΗ Υπολόγισε το όρισμα θ

Αποδεικνύεται ότι ο ΕΜ συγκλίνει σε τοπικό μέγιστο της συνάρτησης πιθανότητας


αναμονής) Κατά την Ε λειτουργία τα χαρακτηριστικά Ζ

διώχνονται με ολοκλήρωση Κατά την Μ λειτουργία υπολογίζονται οι τιμές

των παραμέτρων που μεγιστοποιούν την αναμενόμενη τιμή.

Αφού το Ζ είναι άγνωστο μεγιστοποιούμε τη λογαριθμική συνάρτηση πιθανότητας για όλες τις πιθανές τιμές του Ζ

Ο αλγόριθμος ΕΜ και μίγμα μοντέλων

Έχοντας ορίσει τον αλγόριθμο ΕΜ μπορούμε να λύσουμε το πρόβλημα μίγματος παραμετρικών κατανομών

Για λόγους απλοποίησης θα θεωρήσουμε πρόβλημα μιας μεταβλητής όπου όλα τα μέρη έχουν γνωστή τυπική απόκλιση σ.


Δεδομένου του συνόλου δεδομένων X={x(1, x(2, …, x(N}, ζητείται να υπολογίσουμε τις παραμέτρους του μοντέλου θ={µ1, µ2, …µC}

Θεωρούμε ότι κάθε μεταβλητή x(n δημιουργήθηκε με τον εξής τρόπο:– Αρχικά μια κατανομή Gauss επιλέγεται

βάσει των συντελεστών του μίγματος P(ωc)

– Τότε, το x(n δημιουργείται βάσει της πιθανότητας p(x|µc) του συγκεκριμένου συστατικού

Σε ένα τέτοιο πρόβλημα, οι κρυφές μεταβλητές Z={z1

(n,z2(n,…zC

(n} χρησιμοποιούνται για να δείξουν ποια από τις C κατανομές Gauss παρήγαγε το x(n


Η πιθανότητα p(x,z|θ) για ένα συγκεκριμένο δείγμα είναι:

Μόνο ένα από τα zc(n μπορεί να είναι

1.


Η λογαριθμική συνάρτηση πιθανότητας για όλο το σύνολο θα είναι

Για να υπολογίσουμε το Q(θ|θ(i-1) πρέπει να πάρουμε τη μέση τιμής ως προς Ζ

E[zc(n] είναι η πιθανότητα το

παράδειγμα x(n να δημιουργήθηκε από τη c-στη κατανομή Gauss δεδομένων των παραμέτρων θ(i-1


Αυτές οι δύο εκφράσεις δίνουν την Q συνάρτηση:


Το δεύτερο βήμα (Maximization) είναι ο υπολογισμός των τιμών {µ1,µ2,…,µC} όπου μεγιστοποιεί τη συνάρτηση Q

Και υπολογίζοντας τα μηδενικά της μερικής παραγώγισης:

Ιστόγραμμα

Η πιο απλή μορφή μη παραμετρικής εκτίμησης πυκνότητας είναι το ιστόγραμμα

Χωρίζει το δειγματοχώρο σε μικρές περιοχές και προσεγγίζει την πυκνότητα από το πλήθος των δειγμάτων που εμπίπτουν στην κάθε περιοχή.

Ιστόγραμμα - Μειονεκτήματα

Το τελικό σχήμα της συνάρτησης πυκνότητας πιθανότητας εξαρτάται από το σημείο εκκίνησης των περιοχών

Η φαινομενική συνέχεια στα δεδομένα εξαρτάται από την επιλογή των περιοχών

Σε προβλήματα πολλών διαστάσεων θα απαιτούνται πολλά δείγματα αλλιώς ο σχηματισμός θα είναι ελλιπής.

Γενική διατύπωση εκτίμησης

Η πιθανότητα ένα διάνυσμα x, με κατανομή p(x), να ανήκει σε μια περιοχή είναι:

Αν υποθέσουμε ότι Ν είναι τα δείγματα της κατανομής, η πιθανότητα να ανήκουν k στην περιοχή , είναι:

R

dxxpP ')'(

kNk PPk

NkP

)1()(


Από τις ιδιότητες των διωνυμικών κατανομών έχουμε:

Που σημαίνει ότι όταν Ν→∞ η κατανομή γίνεται πιο αιχμηρή, άρα μπορούμε να θεωρήσουμε ότι μία καλή εκτίμηση της P είναι το μέσο των σημείων που εμπίπτουν στην :

PN

kE

N

kP

N

PPP

N

kE

N

kVar

)1(2


Αν υποθέσουμε ότι η περιοχή είναι τόσο μικρή που η p(x) δεν αλλάζει:

Και συνδυάζοντας με το προηγούμενο αποτέλεσμα:

Ο υπολογισμός είναι πιο ακριβής όσο αυξάνει το πλήθος των δειγμάτων Ν και μικραίνει ο όγκος V

R

Vxpdxxp )(')'(

NV

kxp

N

kP

VxpdxxpPR

)(

)(')'(


Στην προηγούμενη σχέση ο συνολικός αριθμός δειγμάτων Ν είναι σταθερός

Για να βελτιωθεί η ακρίβεια στην εκτίμηση του p(x) μπορούμε να ελαχιστοποιήσουμε τον όγκο (σχεδόν 0), αλλά τότε η περιοχή θα γίνει τόσο μικρή που δεν θα περιέχει πρακτικά δείγματα

Άρα θα πρέπει να γίνει ένας συμβιβασμός ώστε το V να είναι αρκετά μεγάλο για να περιέχει αρκετά δείγματα και αρκετά μικρό ώστε να στηρίζεται η υπόθεση ότι το p(x) παραμένει σταθερό εντός της


Στην πράξη δύο προσεγγίσεις ακολουθούνται:– Μπορούμε να επιλέξουμε μια σταθερή τιμή

για τον όγκο V και να υπολογίσουμε τα περιεχόμενα δείγματα από τα δεδομένα (Εκτίμηση Πυκνότητας Kernel)

– Μπορούμε να ορίσουμε σταθερό αριθμό δειγμάτων k και να υπολογίσουμε τον αντίστοιχο όγκο V από τα δεδομένα (k-Nearest Neighbours)

Αποδεικνύεται ότι και οι δύο πιο πάνω προσεγγίσεις συγκλίνουν στην πραγματική τιμή της συνάρτησης πυκνότητας πιθανότητας όταν N→∞, δεδομένου ότι ο όγκος V συρρικνώνεται και το k μεγαλώνει με το N,

Παράθυρα Parzen Αν υποθέσουμε ότι η περιοχή που

περικλείει k δείγματα είναι ένας κύβος πλευράς h κεντραρισμένος στο σημείο εκτίμησης x, ο όγκος είναι V=hD.

Για να βρούμε τον αριθμό των δειγμάτων στην περιοχή ορίζουμε την Kernel συνάρτηση:

Dju

uK j,...,12/1

0

1)(

Παράθυρα Parzen

Αυτή η συνάρτηση, μοναδιαίου υπερκύβου κεντραρισμένο στο x, ονομάζεται παράθυρο Parzen

Η ποσότητα K((x-x(n)/h) ισούται με τη μονάδα αν το σημείο x(n βρίσκεται μέσα στον κύβο.

Παράθυρα Parzen Ο συνολικός αριθμός

δειγμάτων μέσα στον κύβο είναι:

Και αν αντικαταστήσουμε στην έκφραση εκτίμησης της πυκνότητας πιθανότητας:

N

n

n

D h

xxK

Nhxp

1

1)(

N

n

n

h

xxKk

1

(

Παράθυρα Parzen - Άσκηση

Βάσει των δεδομένων που ακολουθούν, χρησιμοποίησε τα παράθυρα Parzen να υπολογίσετε τη συνάρτηση πυκνότητας πιθανότητας στα σημεία y=3,10,15. Χρησιμοποιήστε h=4

17,16,15,15,14,12,6,5,5,4,...,, (2(1( NxxxX

Παράθυρα Parzen - Λύση

Αν παραστήσουμε τα δεδομένα σε έναν άξονα, έχουμε:

Εκτίμηση Πυκνότητας με k-NN

Επιλέγοντας σταθερή τιμή για το k και ορίζοντας ελάχιστο όγκο V στο σύνολο δεδομένων που περικλείει τα k σημεία, εφαρμόζουμε τη μέθοδο του k πλησιέστερου γείτονα (k Nearest Neighbor kNN)


Στη μέθοδο k-NN μεγαλώνουμε τον όγκο που περικλείει το σημείο εκτίμησης x εωσότου περικλείει k σημεία δεδομένων.

Τότε η εκτίμηση πυκνότητας γίνεται:

Όπου Rk(x) είναι η απόσταση μεταξύ του σημείου εκτίμησης και του k-στού πλησιέστερου γείτονα.

cD είναι ο όγκος της μοναδιαίας σφαίρας στις D διαστάσεις, και είναι:

c1=2, c2=π, c3=4π/3 κλπ

)()(

xRcN

k

NV

kxP

DkD

!2/

2/

Dc

D

D


2RVol

2)(

RN

kxP


Η εκτίμηση με k-NN δεν είναι πολύ ικανοποιητική καθώς:– Η προσέγγιση επηρεάζεται από τοπικό

θόρυβο– Καθώς η συνάρτηση Rk(x) δεν είναι

παραγωγίσιμη θα υπάρχουν ασυνέχειες.– Το αποτέλεσμα θα αποκλίνει σε όλο το

δειγματοχώρο

Εκτίμηση Πυκνότητας με kNN για δύο Gaussians

4,102/11,02/1)( NNxP


Για δύο Gaussians όπου:

Εκτίμηση για k=10 γείτονες και Ν=200 δείγματα

),(2

1),(

2

1)( 2211 NNxp

4

1

1

12

1

1

1

05

50

2

1

2

1


Πραγματικά περιγράμματα Eκτίμησης με kNN

k-NN vs Bayes classifier

Το μεγαλύτερο πλεονέκτημα της μεθόδου k-NN είναι ότι αποτελεί μια πολύ απλή προσέγγιση του Bayes classifier

Ας υποθέσουμε ότι έχουμε ένα σύνολο δεδομένων με N δείγματα και Ni ανήκουν στην κλάση ωi και θέλουμε να ταξινομήσουμε άγνωστο δείγμα xu

Θεωρούμε όγκο V γύρω από το xu με k δείγματα συνολικά και έστω ki από ωi.

kNN vs Bayes classifier

Μπορούμε να προσεγγίσουμε τη συνάρτηση πιθανότητας με k-NN ως:

Παρόμοια η συνάρτηση πυκνότητας θα είναι:

Και οι εκ των προτέρων πιθανότητα

Αν τα βάλουμε όλα μαζί στο ταξινομητή Bayes

VN

kxP

i

ii |

NV

kxP )(

N

NP i

i )(

k

k

NVkNN

VNk

xP

PxPxP i

i

i

i

iii

||

Ο κανόνας ταξινόμησης του k πλησιέστερου γείτονα (k-NN)

Ο κανόνας του k Nearest Neighbor Rule (kNN) είναι διαισθητική μέθοδο που ταξινομεί άγνωστα δείγματα με βάσει την ομοιότητα τους με τα δείγματα εκπαίδευσης.

Για δεδομένο άγνωστο πρότυπο xu βρες τα k «κοντινότερα» δείγματα από τα δεδομένα εκπαίδευσης και απέδωσε το xu στην κλάση που εμφανίζεται πιο πολύ στο k-υποσύνολο

Κανόνας k-NN

Απαιτεί μόνο: Έναν ακέραιο k Ένα σετ γνωστών δειγμάτων

(σύνολο εκπαίδευσης) Ένα μέτρο «απόστασης»

Κανόνας k-NN

Στο παράδειγμα έχουμε 3 κλάσεις και άγνωστο δείγμα xu

Χρησιμοποιείται Ευκλείδεια απόσταση και k=5 γείτονες

4 γείτονες ανήκουν στην ω1 και 1 ανήκει στην ω3

Το xu κατατάσσεται στην ω1

k-NN - παράδειγμα Έχουμε δεδομένα για διδιάστατο

πρόβλημα 3 κλάσεων όπως φαίνεται στο δείγμα

Χρησιμοποιούμε k=5 και

Ευκλείδεια απόσταση

k-NN - παράδειγμα

Το ίδιο για άλλη διάταξη δεδομένων

Χρησιμοποιούμε k=5 και Ευκλείδεια απόσταση

O k-NN ως χαλαρός (lazy) αλγόριθμος

Ο kNN ανήκει στην κατηγορία των χαλαρών αλγορίθμων:– Επεξεργάζεται τα δεδομένα εκπαίδευσης

αφού ζητηθεί ταξινόμηση– Απαντάει στο αίτημα ταξινόμησης

συνδυάζοντας τα αποθηκευμένα δεδομένα εκπαίδευσης

– Δεν λαμβάνει υπόψη λογική ή άλλα αποτελέσματα.

lazy αλγόριθμοι

Tradeoffs χαλαρών αλγορίθμων Έχουν μικρότερο υπολογιστικό κόστος κατά την

εκπαίδευση Έχουν μεγαλύτερες απαιτήσεις αποθήκευσης και

υπολογιστικό κόστος κατά την κλήση τους.

Χαρακτηριστικά του k-NN

Πλεονεκτήματα Απλή υλοποίηση Πολύ καλά αποτελέσματα για μεγάλο αριθμό

δειγμάτων (N→∞)

Μειονεκτήματα Μεγάλη απαίτηση σε αποθηκευτικό χώρο Υπολογιστικό κόστος στην κλήση Ευάλωτος στην «κατάρα πολυδιάστατων

προβλημάτων»

k-NN vs1-ΝΝ

Μεγάλο k σημαίνει πιο ομαλές περιοχές αποφάσεων

Δίνει πιο σωστές πιθανοτικά πληροφορίες Ωστόσο πολύ μεγάλο k μπορεί να χαλάσει την

τοπικότητα της απόφασης Αυξάνει το υπολογιστικό κόστος

k-NN vs1-ΝΝ

Άσκηση 1

Κατηγοριοποίησε τα σημεία A, B και C χρησιμοποιώντας για κατηγοριοποίηση τον κανόνα 5-ΝΝ και Ευκλείδεια απόσταση

Λύση

Για το Α, για κάθε σημείο η Ευκλείδειος απόσταση θα είναι:

2)(2)(2

2)(1)(1 )( iAiAi yyyyd

Άσκηση 2Αν εφαρμόσουμε τον k-NN κανόνα απόφασης στο σχήμα της προηγούμενης άσκηση, θα πάρουμε περιοχές απόφασης και όριο απόφασης για τις δύο κλάσεις. Αν y(i) είναι τα χαρακτηριστικά διανύσματα της κλάσης 1 και s(i) της κλάσης 2, τότε σύμφωνα με τον ορισμό, κάθε σημείο του ορίου απόφασης θα πρέπει ικανοποιεί τη σχέση:

Υποθέστε Ευκλείδεια απόστασηΑ) ποια είναι η σχέση που καθορίζει το όριο απόφασης για

μια περιοχή κοντά στο όριο αν ένα διάνυσμα y(i) είναι πιο κοντά στο όριο για την κλάση 1 και το s(j) για την κλάση 2

Β) σχεδιάστε ένα όριο απόφασης για τις δύο κλάσειςΓ) βρείτε τα στοιχεία που η μετακίνηση τους δεν αλλάζει

το όριο

ii

i

isydyyd ,ˆmin,ˆmin

Λύση Για κάθε σημείο στο διάγραμμα

ισχύει:

Για σημείο του ορίου απόφασης

222

2

11

2

22

2

11 ˆˆˆˆ jjii sysyyyyy

02ˆ2ˆ2

2

2

2

2

1

2

1222111 jijiijij sysyysyysy

y

jjjiii sssyyy 2121 ,

ji sydyyd ,ˆ,ˆ

Λύση Θέτοντας

Έχουμε

02ˆ2ˆ2

2

2

2

2

1

2

1222111 jijiijij sysyysyysy

)(2 )(1

)(1

ij ysa )(2 )(2

)(2

ij ysb

2)(2

2)(2

2)(1

2)(1 )()()()( jiji sysyc

0ˆˆ 21 cybya

Λύση

64

Έστω και ο στόχος είναι να εκτιμηθείi = 1, 2, ..., Μ. Για μια «καλή» εκτίμηση της κατανομής θα χρειαστούν Νℓ σημεία.

Έστω x1, x2, ..., xℓ ανεξάρτητες μεταξύ τους μεταβλητές. Τότε

Σε αυτή την περίπτωση, κάποιος θα χρειαστεί, κατά προσέγγιση, Ν σημεία για κάθε pdf. Αρα συνολικά N · θα αρκούσαν.ℓ

x ixp |

1

||j

iji xpxp

NAIVE – BAYES CLASSIFIER

bayes classifiers

Documents