INF 1771 – Inteligência Artificial
Aula 18 – Aprendizado Não-Supervisionado
Edirlei Soares de Lima
<elima@inf.puc-rio.br>
Formas de Aprendizado
Aprendizado Supervisionado
Árvores de Decisão.
K-Nearest Neighbor (KNN).
Support Vector Machines (SVM).
Redes Neurais.
Aprendizado Não-Supervisionado
Aprendizado Por Reforço
Introdução
No aprendizado supervisionado, todas os
exemplos de treinamento eram rotulados.
0
.51 0.14 0.12 0.04 0.65 0.01 0.08 2
Vetor de Atributos
Classe
Estes exemplos são ditos “supervisionados”,
pois, contém tanto a entrada (atributos),
quanto a saída (classe).
Introdução
Porém, muitas vezes temos que lidar com
exemplos “não–supervisionados”, isto é,
exemplos não rotulados.
Por que?
Coletar e rotular um grande conjunto de exemplos
pode custar muito tempo, esforço, dinheiro...
Introdução
Entretanto, podemos utilizar grandes
quantidades de dados não rotulados para
encontrar padrões existentes nestes dados. E
somente depois supervisionar a rotulação
dos agrupamentos encontrados.
Esta abordagem é bastante utilizada em
aplicações de mineração de dados
(
bases de dados não é conhecido
antecipadamente.
datamining), onde o conteúdo de grandes
Introdução
O principal interesse do aprendizado não-
supervisionado é desvendar a organização
dos padrões existentes nos dados através de
clusters (agrupamentos) consistentes.
Com isso, é possível descobrir
similaridades e diferenças entre os
padrões existentes, assim como derivar
conclusões úteis a respeito deles.
Introdução
Exemplos de agrupamentos (clusters):
Passaro
Lagarto
Tubarão
Peixe
Tubarão
Passaro
Gato
Lagarto
Ovelha
Cachorro
Ovelha
Sapo
Gato
Peixe
Cachorro
Sapo
Existencia de pulmões
Ambiente onde vivem
Clusterização
A clusterização é o processo de agrupar
um conjunto de objetos físicos ou abstratos
em classes de objetos similares.
Um cluster é uma coleção de objetos que são
similares uns aos outros (de acordo com
algum critério de similaridade pré-
definido) e dissimilares a objetos
pertencentes a outros clusters.
Critério de Similaridade
A similaridade é difícil de ser definida...
Processo de Aprendizado Não-Supervisionado
As etapas do processo de aprendizagem
não supervisionada são:
(
(
(
(
(
(
1) Seleção de atributos
2) Medida de proximidade
3) Critério de agrupamento
4) Algoritmo de agrupamento
5) Verificação dos resultados
6) Interpretação dos resultados
Processo de Aprendizado Não-Supervisionado
(
1) Seleção de Atributos:
Atributos devem ser adequadamente
selecionados de forma a codificar a maior
quantidade possível de informações
relacionada a tarefa de interesse.
Os atributos devem ter também uma
redundância mínima entre eles.
Processo de Aprendizado Não-Supervisionado
(
2) Medida de Proximidade:
Medida para quantificar quão similar ou
dissimilar são dois vetores de atributos.
É ideal que todos os atributos contribuam de
maneira igual no cálculo da medida de
proximidade.
Um atributo não pode ser dominante sobre o outro,
ou seja, é importante normalizar os dados.
Processo de Aprendizado Não-Supervisionado
(
3) Critério de Agrupamento:
Depende da interpretação que o especialista dá ao
termo sensível com base no tipo de cluster que
são esperados.
Por exemplo, um cluster compacto de vetores de
atributos pode ser sensível de acordo com um
critério enquanto outro cluster alongado, pode ser
sensível de acordo com outro critério.
Processo de Aprendizado Não-Supervisionado
(
4) Algoritmo de Agrupamento:
Tendo adotado uma medida de proximidade e um
critério de agrupamento devemos escolher um
algoritmo de clusterização que revele a
estrutura agrupada do conjunto de dados.
Processo de Aprendizado Não-Supervisionado
(
5) Validação dos Resultados:
Uma vez obtidos os resultados do algoritmo de
agrupamento, devemos verificar se o resultado
esta correto.
Isto geralmente é feito através de testes
apropriados.
Processo de Aprendizado Não-Supervisionado
(
6) Interpretação dos Resultados:
Em geral, os resultados da clusterização devem ser
integrados com outras evidências experimentais
e análises para chegar as conclusões corretas.
Processo de Aprendizado Não-Supervisionado
Diferentes escolhas de atributos, medidas de
proximidade, critérios de agrupamento e
algoritmos de clusterização levam a
resultados totalmente diferentes.
Qual resultado é o correto?
Clusterização
Dado um conjunto de dados X:
X = {x1, x2, . . ., xn}
Definimos como um m–agrupamento de X a partição de X
em m conjuntos (clusters ou grupos) C1, C2, ..., Cm tal que
as três condições seguintes sejam satisfeitas:
Nenhum cluster pode ser vazio (Ci ≠ Ø).
A união de todos os cluster deve ser igual ao conjunto de dados que
gerou os clusters, ou seja, X.
A interseção de dois clusters deve ser vazio, i.e., dois cluster não podem
conter vetores em comum (Ci ∩ Cj = Ø).
Clusterização
Os vetores contidos em um cluster Ci devem ser mais
similares uns aos outros e menos similares aos
vetores presentes nos outros clusters.
Tipos de Clusters:
Clusters compactos
Clusters alongados
Clusters esféricos e ellipsoidals
Medidas de Proximidade
Medidas de Dissimilaridade:
Métrica lp ponderada;
Métrica Norma l∞ ponderada;
Métrica l2 ponderada (Mahalanobis);
Métrica lp especial (Manhattan);
Distância de Hamming;
Medidas de Similaridade:
Produto interno (inner);
“Medida de Tanimoto;
Algoritmos de Clustering
Os algoritmos de clusterização buscam
identificar padrões existentes em conjuntos
de dados.
Os algoritmos de clusterização podem ser
divididos em varias categorias:
Sequenciais;
Hierárquicos;
Baseados na otimização de funções custo;
Outros: Fuzzy, SOM, LVQ...
Algoritmos Sequenciais
São algoritmos diretos e rápidos.
Geralmente, todos os vetores de
características são apresentados ao
algoritmo uma ou várias vezes (até 5 ou 6
vezes).
O resultado final geralmente depende da
ordem de apresentação dos vetores de
características.
Algoritmos Sequenciais
Basic Sequential Algorithmic Scheme (BSAS)
Todos os vetores são apresentados uma única vez
ao algoritmo.
Número de clusters não é conhecido inicialmente.
Novos clusters são criados enquanto o algoritmo
evolui.
Basic Sequential Algorithmic Scheme (BSAS)
Parâmetros do BSAS:
d(x, C): métrica de distância entre um vetor de
características x e um cluster C.
Θ: limiar de dissimilaridade.
q: número máximo de clusters.
Idéia Geral do Algoritmo:
Para um dado vetor de características, designá–lo
para um cluster existente ou criar um novo cluster
(
depende da distância entre o vetor e os clusters já
formados).
Basic Sequential Algorithmic Scheme (BSAS)
Exemplo 1:
Basic Sequential Algorithmic Scheme (BSAS)
Exemplo 1:
1
1a iteração
Basic Sequential Algorithmic Scheme (BSAS)
Exemplo 1:
1
2a iteração
Basic Sequential Algorithmic Scheme (BSAS)
Exemplo 1:
1
3a iteração
Basic Sequential Algorithmic Scheme (BSAS)
Exemplo 1:
1
2
d(x4, C1) > Θ
4a iteração
Basic Sequential Algorithmic Scheme (BSAS)
Exemplo 1:
1
2
5a iteração
Basic Sequential Algorithmic Scheme (BSAS)
Exemplo 1:
1
2
3
na iteração
Clusterização Hierárquica
Os algoritmos de clusterização hierárquica
pode ser divididos em 2 subcategorias:
Aglomerativos:
Produzem uma sequência de agrupamentos com um número
decrescente de clusters a cada passo.
Os agrupamentos produzidos em cada passo resultam do
anterior pela fusão de dois clusters em um.
Divisivos:
Atuam na direção oposta, isto é, eles produzem uma seqüência
de agrupamentos com um número crescente de clusters a cada
passo.
Os agrupamentos produzidos em cada passo resultam da
partição de um único cluster em dois.
Clusterização Hierárquica
Exemplo 1 – Aglomerativo:
Clusterização Hierárquica
Exemplo 1 – Aglomerativo:
1
1a iteração
Clusterização Hierárquica
Exemplo 1 – Aglomerativo:
1
2
1a iteração
Clusterização Hierárquica
Exemplo 1 – Aglomerativo:
3 1
2
3a iteração
Clusterização Hierárquica
Exemplo 1 – Aglomerativo:
3 1
2
4
4a iteração
Clusterização Hierárquica
Exemplo 1 – Aglomerativo:
3 1
2
5
4
5a iteração
Clusterização Hierárquica
Exemplo 1 – Aglomerativo:
3 1
2
9
6
5
8
4
7
na iteração
Clusterização Hierárquica
Exemplo 2 – Divisivo:
Processo inverso.
K-Means
É a técnica mais simples de aprendizagem não
supervisionada.
Consiste em fixar k centróides (de maneira
aleatória), um para cada grupo (clusters).
Associar cada indivíduo ao seu centróide mais
próximo.
Recalcular os centróides com base nos indivíduos
classificados.
Algoritmo K-Means
(1) Selecione k centróides iniciais.
(
2) Forme k clusters associando cada
exemplo ao seu centróide mais próximo.
(
3) Recalcule a posição dos centróides com
base no centro de gravidade do cluster.
(
4) Repita os passos 2 e 3 até que os
centróides não sejam mais movimentados.
Algoritmo K-Means
Exemplo:
Algoritmo K-Means
Exemplo:
k = 3
Seleciona-se k centróides iniciais.
Algoritmo K-Means
Exemplo:
k = 3
1a iteração
Algoritmo K-Means
Exemplo:
k = 3
2a iteração
Algoritmo K-Means
Exemplo:
k = 3
3a iteração
Algoritmo K-Means
Exemplo:
k = 3
4a iteração
Algoritmo K-Means
Exemplo:
k = 3
5a iteração
Algoritmo K-Means
Exemplo:
k = 3
na iteração
Algoritmo K-Means
Exemplo:
k = 3
Repite-se os passos anteriores até que os centróides não se movam mais.
Algoritmo K-Means
Exemplo:
k = 3
1a iteração
Algoritmo K-Means
Exemplo:
k = 3
2a iteração
Algoritmo K-Means
Exemplo:
k = 3
3a iteração
Problemas do K-Means
O principal problema do K-Means é a
dependência de uma boa inicialização.
Problemas do K-Means
O principal problema do K-Means é a
dependência de uma boa inicialização.
Problemas do K-Means
O principal problema do K-Means é a
dependência de uma boa inicialização.
Aprendizado Não-Supervisionado
O aprendizado não-supervisionado ou
clusterização (agrupamento) busca extrair informação
relevante de dados não rotulados.
Existem vários algoritmos agrupamento de dados.
Diferentes escolhas de atributos, medidas de
proximidade, critérios de agrupamento e algoritmos
de clusterização levam a resultados totalmente
diferentes.