477 lines
18 KiB
Org Mode
477 lines
18 KiB
Org Mode
* Esposito
|
||
** Tasks: Binary Classification
|
||
I modelli predittivi si occupano di inferire delle informazioni sui
|
||
nuove istanze di problemi in base ai dati gia` consumati
|
||
*** TODO Geometric classification
|
||
*** Probabilistic classifier
|
||
Stima probabilita` dai dati e fornisce predizioni usando la seguente
|
||
regola:
|
||
- Yₘₐₚ = $arg max_{Y}P(Y|X)$ = $argmax_Y\frac{(P(X|Y)(PY)}{P(X))}$ =
|
||
$argmax_Y\frac{(P(X|Y)(PY)}{P(Y))}$
|
||
- Yₘₗ = $argmax_YP(X|Y)$ (se priori non importanti)
|
||
*** Features
|
||
Se vogliamo approssimare la funzione coseno e` inutile considerare
|
||
un'approssimazione lineare (y=0).
|
||
Pero` possiamo usare x come sia come splitting feature (due
|
||
approssimazioni diverse se x<0 o x≥0) e come variabile di regression
|
||
(l'approssimazione contiene x)
|
||
Delle volte si puo` mappare il feature space su nuovi spazi (e.g.:
|
||
scatter plot: renderlo al quadrato)
|
||
** Classification
|
||
$\hat{c}$: X → C
|
||
C = {C₁, C₂, ..., Cₖ}
|
||
example: <x, c(x)>
|
||
Learning is constructing $\hat{c}$
|
||
*** TODO Decision Tree
|
||
Vedi decision tree, feature tree, contingency table
|
||
*** Misure
|
||
- Accuracy: $acc = \frac{1}{|T_e|}\sum I[\hat{c}(x)=c(x)] = P(\hat{c}(x) = c(x))$
|
||
- Error rate: $1-acc = P(\hat{c}(x) \ne c(x))$
|
||
- class ratio, clr: $\frac{Pos}{Neg} = \frac{\sum_{x\in{T_e}}
|
||
I[c(x)=1]}{\sum_{x\in{T_e}} I[c(x)=0]}$
|
||
- recall, true positive rate: $\frac{TP}{Pos} = P(\hat{c}(x)|c(x))$
|
||
- specificity, true negative rate = $\frac{TP}{Pos} =
|
||
P(\hat{c}(x)|c(x))$
|
||
- false positive, false negative = 1-tnr, 1-tpr
|
||
- Precision, confidence = $\frac{TP}{TP+FP} = P(c(x)|\hat{c}(x))$
|
||
*** TODO Coverage plot e roc plot
|
||
*** Scoring Classifier
|
||
mapping $\hat{s}: X \to R^k$ dove s e` un vettore s(x) = (s₁(x),
|
||
s₂(x), ..., sₖ(x)). i-th componente = score della classe Cᵢ
|
||
Nello scoring tree, in caso di classificazione binaria, si possono
|
||
usare nelle foglie il logaritmo del ratio fra lo score delle classi.
|
||
**** Margine e Loss f
|
||
Prendiamo la classe true come +1:
|
||
- z(x) = c(x)$\hat{s}(x)$
|
||
Il margine e` il valore assoluto della predizione, positivo se giusta,
|
||
negativo se errata.
|
||
La Loss function L(z(x)): R → [0, ∞); L(0) = 1 e L(z<0)≥1 e
|
||
L(z>0)∈[0,1)
|
||
La loss function e` importante nella fase di learning per cercare la
|
||
soluzione ottimale
|
||
- 0-1 Loss
|
||
- Hinge Loss
|
||
- Logistic Loss
|
||
- Exp Loss
|
||
- Squared Loss
|
||
**** Ranking
|
||
Una funzione di scoring puo` essere trasformata in una di ranking
|
||
ordinando le istanze in base allo score ottenuto.
|
||
Ranking-Error quando $\hat{s}(x)<\hat{s}(x') \wedge s(x') < s(x)$
|
||
- $\frac{\sum_{x\in{T^+_e},x'\in{T^-_e}}{I[\hat{s}(x) < \hat(s)(x')] +
|
||
I[\hat{s}(x) = \hat(s)(x')]}}{Pos\cdot Neg}$
|
||
- Ranking accuracy: 1 - Rank-Err
|
||
*** Probability Estimator
|
||
Scoring classifier che per ogni classe restituisce la probabilita` che
|
||
l'istanza appartenga a quella classe
|
||
- $\hat{p}: X \to [0,1]^k$
|
||
- $\sum_{i=1}^{k}{\hat{p_i}(x)} = 1$
|
||
- Squared Error: $SE(x) = \frac{1}{2} \Vert \hat{p}(x) - I_{c(x)} \Vert
|
||
^2_2 = \frac{1}{2}\sum_{i=1}^{k}(\hat{p}(x) - I[c(x) = C_i])^2$
|
||
- Mean Squared Error: $MSE(T_e) =
|
||
\frac{1}{|T_e|}\sum_{x\in{T_e}}SE(x)$
|
||
- Empirical Probability: Vettore dato dal numero di istanze sul totale
|
||
per ogni classe (frequenza)
|
||
Solitamente si applica un coefficente di smoothing per queste
|
||
frequenze
|
||
- Laplace correction: $\dot{p_i}(S) = \frac{n_i+1}{|S|+k}$
|
||
- m-estimate: non uniform smoothing dato da pseudo-counts m e prior
|
||
probs πᵢ $\dot{p_i}(S) = \frac{n_i+m\cdot\pi_i}{|S|+m}$
|
||
*** TODO Beyond Binary Classification
|
||
Vedi 1-vs-rest, 1-vs-1 e cosi` via
|
||
*** Overfitting, bias-variance
|
||
L'overfitting si evita avendo un numero di parametri ben piu` basso
|
||
dei data points.
|
||
Con un numero basso di parametri si introduce un bias che spesso anche
|
||
con un training elevato non si riesce a risolvere.
|
||
Invece con pochi parametri si introduce una forte dipendenza dal test
|
||
set e quindi molta varianza.
|
||
- $E[(f(x)-\hat{f}(x))^2] = Bias^2(\hat{f}(x)) + Var(\hat{f}(x))$
|
||
(vedi dimostrazione slides)
|
||
** Descriptive Learning
|
||
Tasks and learning problem coincide. No separate training set, produce
|
||
a descriptive model of the data at hand. Learn a model describing the
|
||
data.
|
||
*** Clustering
|
||
Obbiettivo: trovare gruppi omegenei, trovare una labelling function da
|
||
dati senza label.
|
||
- $\hat{q}: X \to C$ (predictive)
|
||
- $\hat{q}: X \to L$ (descriptive)
|
||
*** Supervised subgroup discovery
|
||
Preso un dataset labelled (xᵢ, l(xᵢ))ⁱ trova:
|
||
- $\hat{g}: D \to {true, false}$
|
||
- G = {x∈D | $\hat{g}$(x) = true}, la cui class distribution e`
|
||
diversa marcatamente dalla popolazione originale
|
||
*** Association Rules
|
||
Dato un dataset unlabelled D trova:
|
||
- un set di regole {b→h} tale che:
|
||
+ h solitamente e` soddisfatta quando b lo e`
|
||
+ b∪h e` frequente (high support: %n di elementi soddisfano la
|
||
regola)
|
||
- Il powerset di un insieme di regole frequenti e` frequente a sua
|
||
volta.
|
||
- Confidenza: support(a∪b)/suport(a)
|
||
** Models
|
||
*** Linear Models
|
||
**** Best fitting line
|
||
Cx + D = y
|
||
X w = y in matrix form, w = (C D)ᵀ
|
||
Se X quadrata e full rank: w = X⁻¹·y ma generalmente X non e`
|
||
invertibile
|
||
| Errore: ‖e‖₂ = ‖y-p‖₂ = (∑ᵢ(yᵢ-pᵢ)²)⁻¹
|
||
Possiamo inquadrare questo problema come un problema di minimizzazione
|
||
della norma di e. p = X·$\hat{w}$: L'intero problema consiste in:
|
||
| $minimize_{\hat{w}}\Vert X \hat{w} - y \Vert_2^2$
|
||
| minimize_ŵ ‖Xŵ-y‖²₂
|
||
La soluzione consiste nell'imporre l'ortogonalita` di e e C(X), ovvero
|
||
Xᵀ·e=0; quindi:
|
||
| Xᵀ·e = 0; e = y-X·ŵ
|
||
| Xᵀ(y-X·ŵ) = 0
|
||
| Xᵀy = XᵀXŵ
|
||
| ŵ = (XᵀX)⁻¹Xᵀy (LSE)
|
||
**** Regularization
|
||
evitare l'overfitting applicando dei constraint sul weight vector.
|
||
Generalmente i pesi sono in media piccoli: ~shrinkage~.
|
||
La versione regolarizzata di LSE:
|
||
| w* = argmin_w (y-X·w)ᵀ(y-X·w) + λ‖w‖₂
|
||
Soluzione:
|
||
| ŵ = (XᵀX + λI)⁻¹Xᵀy
|
||
si dice ~ridge regression~ e significa aggiungere λ alla diagonale di
|
||
XᵀX per migliorare la stabilita` numerica dell'inversione
|
||
Si puo` anche usare ~lasso~ nel caso di soluzioni sparse
|
||
(least absolute shrinkage and selection operator)
|
||
che sostituisce ‖w‖₂ con ‖w‖₁=∑|wᵢ|
|
||
| w* = argmin_w (y-X·w)ᵀ(y-X·w) + λ‖w‖₁
|
||
Minimizzare la norma significa immaginare che X sia affetto da errore
|
||
D e minimizzare l'errore:
|
||
| (X+D)w = Xw + Dw
|
||
inoltre significa imporre un bias e quindi minimizzare l'effetto della
|
||
varianza dell'errore. LSE enhance le piccole variazioni nei dati:
|
||
unstable regressor.
|
||
**** LSE per la classificazione
|
||
| ĉ(x) = 1 se xᵀŵ - t > 0
|
||
| ĉ(x) = 0 se xᵀŵ - t = 0
|
||
| ĉ(x) = -1 se xᵀŵ - t < 0
|
||
Ovvero si rappresenta la classe positiva come 1 e la negativa come -1
|
||
t rappresenta gli intercepts.
|
||
** SVM
|
||
Hyperplane:
|
||
| y = ax + b
|
||
| y -ax -b = 0
|
||
| wᵀx = 0
|
||
- w = (-b -a 1)ᵀ *x* = (1 x y)ᵀ
|
||
- Functional margins: soluzioni che non fanno errori
|
||
- Geometric margins: soluzioni che massimizzano la distanza fra i piu`
|
||
vicini punti di classe opposta
|
||
*** Margine funzionale
|
||
Valore dell'hyperplane al punto xᵢ:
|
||
| f(xᵢ) = w·xᵢ-t
|
||
possiamo usare f(xᵢ)>0 per discriminare fra classe positiva/negativa
|
||
- Functional margin:
|
||
| μ(xᵢ) = yᵢ(w·xᵢ-t) = yᵢf(xᵢ)
|
||
se l'esempio e` ben classificato: μ(xᵢ) > 0
|
||
*** Support Vectors
|
||
Possiamo richiedere che ogni istanza nel dataset soddisfi:
|
||
| yᵢ(w·xᵢ-t) ≥ 1
|
||
Istanze nel decision boundary (chiamate ~support vectors~):
|
||
| yᵢ(w·xᵢ-t) = 1
|
||
Margine geometrico:
|
||
(x₊-x₋)·$\frac{w}{\Vert{w}\Vert}$
|
||
*** TODO (w₀,w₁) ortogonali
|
||
*** Ottimizzazione:
|
||
Margin size:
|
||
| μ = (x₊-x₋)·w/‖w‖
|
||
| x₊·w-t = 1 -> x₊·w = 1+t
|
||
| -(x₋·w-t) = 1 -> x₋·w = t-1
|
||
| $\mu = \frac{1+t-(t-1)}{\Vert{w}\Vert} = \frac{2}{\Vert{w}\Vert}$
|
||
μ va minimizzata, il che significa massimizzare ‖w‖
|
||
| $minimize_{w,t} \frac{1}{2}\Vert{w}\Vert^{2}$
|
||
| yᵢ(w·xᵢ-t)≥1; 0≤i≤n
|
||
minimizzaₓ: f₀(x)
|
||
soggetto a: fᵢ(x) ≤ 0 i = 1, ..., m
|
||
gᵢ(x) = 0 i = 1, ..., p
|
||
Formulazione duale di Lagrange:
|
||
| g(α, υ) = infₓ ⋀(x,α,υ) = infₓ(f₀(x) + ∑₁ᵐαᵢfᵢ(x) + ∑₁ᵖυᵢgᵢ(x))
|
||
Duality: forma organizzata per per formare bound non triviali in un
|
||
problema di ottimizzazione
|
||
In problemi convessi il bound e` solitamente ~strict~ e massimizzare
|
||
il bound porta alla stessa soluzione che minimizzare la funzione
|
||
originale: ~strong duality~.
|
||
KKT conditions needs to hold for strong duality.
|
||
TODO: Vedi dimostrazione slides
|
||
|
||
** Kernels
|
||
Trick usato per adattare degli algoritmi lineari a ipotesi non
|
||
lineari.
|
||
Idea: linear decision surface su uno spazio trasformato puo`
|
||
corrispondere ad una superficie non lineare sullo spazio originale.
|
||
Esempio:
|
||
| ϕ(x) = (x₁², sqrt(2)x₁x₂, x₂², c)
|
||
| ĉ(x) = sign(w·x-t)
|
||
| ĉ(x) = sign(K(w,x)-t) = sign(ϕ(w)·ϕ(x)-t)
|
||
|
||
Una kernel function K: V×V→R per la quale esiste un mapping ϕ:V→F, F
|
||
spazio di Hilbert, tale che:
|
||
K(x,y) = <ϕ(x), ϕ(y)>
|
||
Ovvero una kernel function calcola l'inner product di x e y dopo
|
||
averli mappati su un nuovo spazio di Hilbert (possibilmente highly
|
||
dimensional)
|
||
|
||
Restituiscono un intuizione della similarita` (proporzionalmente)
|
||
**** TODO Mercer condition
|
||
**** Inner product
|
||
generalizzazione del dot product su piu` spazi.
|
||
| Simmetrico: <x,y> = <y,x>
|
||
| lineare sul primo argomento: <ax+by,z> = a<x,z> + b<y,z>
|
||
| definito positivamente: <x,x>≥0; <x,x> = 0 ⇔ x = 0
|
||
Comodi perche`:
|
||
- linear classifier possono lavorare su problemi non lineari
|
||
- similarity function in highly dim. space senza calcolare i feature
|
||
vectors
|
||
- composizione, nuovi kernel da vecchi
|
||
|
||
**** Kernel importanti
|
||
Polinomiale:
|
||
K(x,y) = (x·y)ᵈ or K(x,y) = (x·y+1)ᵈ
|
||
- d = 1 → identity
|
||
- d = 2 → quadratic
|
||
- feature space esponenziale in d
|
||
|
||
Gaussian Kernel:
|
||
$K(x,y) = exp(-\frac{\Vert{x-y}\Vert^2}{2\sigma}$
|
||
σ e` deciso tramite cross validation su un altro set indipendente
|
||
il feature space ha dimensionalita` infinita.
|
||
|
||
* Meo
|
||
** Concept learning
|
||
Assunto base: ogni ipotesi che approssima bene la target function
|
||
sugli esempi di training, approssimera` bene anche la target function
|
||
con esempi mai visti.
|
||
Inoltre D e` consistente e senza rumori ed esiste un'ipotesi h che
|
||
descrive il target concept c.
|
||
Un'ipotesi h e` una congiunzione di constraint sugli attributi.
|
||
Il numero delle ipotesi e` esponenzialmente largo sul numero delle
|
||
features:
|
||
| {codominio funzione}^{n distinte istanze}
|
||
- Ipotesi piu` generale:
|
||
siano hⱼ, hₖ due funzioni booleane (ipotesi) definite su X.
|
||
Si dice che hⱼ e` almeno generale quanto hₖ, scritto hⱼ≥hₖ iff
|
||
| ∀x∈X: hₖ(x) = 1 → hⱼ(x) = 1
|
||
La relazione ≥ impone un ordine parziale (rifl, trans, antisimm).
|
||
- Version Space:
|
||
Si chiama version space il set delle ipotesi consistenti con il dataset.
|
||
*** Algoritmo Find-S
|
||
#+BEGIN_SRC
|
||
h ← most specific hyp. in H
|
||
foreach x∈X:
|
||
foreach aⱼ in h: (attribute constraint)
|
||
if h(x)⊧aⱼ:
|
||
continue
|
||
else:
|
||
h ← next more general hyp that satisfies aⱼ
|
||
output h
|
||
#+END_SRC
|
||
Advantages:
|
||
- Hyp. space defined through conjunction of constraints
|
||
- will output most specific hyp. that is consistent
|
||
- will be consistent with negative examples as well
|
||
Svantaggi:
|
||
- non si sa se il learner converge al target concept (non sa se e`
|
||
l'unica ipotesi valida)
|
||
- non sa se il training data e` consistente: ignora esempi negativi
|
||
*** Version Space
|
||
Definiamo il Version Space come:
|
||
| VSₕ_D = {h∈H|Consistent(h,D)}
|
||
| Consistent(h,D) = ∀<x,c(x)>∈D: h(x) = c(x)
|
||
General and specific boundary of VS: set of maximally g/s members
|
||
| VSₕ_D = {h∈H| ∃s∈S, ∃g∈G: g≥h≥s}
|
||
**** List then Eliminate
|
||
#+BEGIN_SRC
|
||
Version Space ← list of every hyp. in H
|
||
foreach <x,c(x)> in X:
|
||
foreach h in Version Space:
|
||
if h(x) ≠ c(x) : remove h from VS
|
||
output VS
|
||
#+END_SRC
|
||
**** Candidate Elimination
|
||
#+BEGIN_SRC
|
||
G ← max. general hyp.
|
||
S ← max. specific hyp.
|
||
foreach d=<x,c(x)> ∈ D:
|
||
if d is ⊕:
|
||
remove from G any inconsistent hyp.
|
||
foreach inconsistent hyp. s in S:
|
||
remove s from S
|
||
add to S all minimal generalizations h of s:
|
||
- h consistent with d
|
||
- some members of G is more general than h
|
||
- S is a summary of all members cons. with positive examples
|
||
remove from S any hyp. more general than other hyp. in S
|
||
if d is ⊖:
|
||
remove from S any inconsistent hyp.
|
||
foreach inconsistent hyp. g in G:
|
||
remove g from G
|
||
add to G all minimal generalizations h of g:
|
||
- h consistent with d
|
||
- some members of S is more general than h
|
||
- G is a summary of all members cons. with negative examples
|
||
remove from G any hyp. more general than other hyp. in G
|
||
#+END_SRC
|
||
- converge allo stesso VS qualsiasi l'ordine iniziale di D
|
||
- puo` convergere a VS diversi se non ci sono abbastanza membri nel
|
||
training set
|
||
**** Inductive Leap
|
||
Assumiamo che H contenga il target concept c. Ovvero che c puo` essere
|
||
descritto tramite una congiunzione di literals.
|
||
Unbiased learner: H esprime ogni concetto imparabile, ovver
|
||
Powerset(X).
|
||
S e G sono i due insiemi ⊕ ⊖ (con congiunzioni logiche, vedi slides).
|
||
Futile perche` un learner che non fa assunzioni a priori
|
||
sull'identita` del target concept non ha basi per classificare istanze
|
||
mai viste.
|
||
- Bias induttivo:
|
||
| ∀xᵢ∈X: (B ∧ D_c ∧ xᵢ) ⊧ L(xᵢ,D_c)
|
||
L(xᵢ, D_c) e` la classificazione assegnata dal concept learning
|
||
algorithm L dopo il training su D_c
|
||
Permette di trasformare un sistema induttivo in deduttivo
|
||
** TODO Path Through hyp. space
|
||
Vedi che vuole sapere
|
||
** TODO Trees (manca ranking e regression trees)
|
||
I decision tree sono molto espressivi e corrispondono a proposizioni
|
||
logiche in DNF.
|
||
Per evitare l'overfitting bisogna introdurre scegliendo un linguaggio
|
||
restrittivo per le ipotesi e penalizzando la complessita` di ogni
|
||
ipotesi nella funzione target.
|
||
*** Feature tree
|
||
Nei feature tree ogni nodo interno e` segnato con una feature e ogni
|
||
arco con un literal.
|
||
L'insieme dei literals in un nodo e` chiamato ~split~.
|
||
Dalle foglie possiamo costruire un'espressione logica tramite
|
||
congiunzione dei literals risalendo alla root.
|
||
Il set di istanze coperto dall'espressione e` chiamato ~instance space
|
||
segment~.
|
||
Tree learners eseguono una ricerca top-down di tutti i concetti.
|
||
*** Algoritmo Grow Tree
|
||
Procedura generica
|
||
- Homogeneous: D → bool; true if hom. enough to be labelled with a
|
||
single label
|
||
- Label: D → label; most appropriate label for a set of instances
|
||
- BestSplit: D×F → set of literals; best set of literals to be put at the
|
||
root of the tree
|
||
#+BEGIN_SRC
|
||
Input: Dataset D, set of features F
|
||
if Homogeneous(D) then return Label(D)
|
||
S ← BestSplit(D, F)
|
||
split D in Dᵢ secondo i literals in S
|
||
foreach i do:
|
||
if Dᵢ ≠ ∅ then Tᵢ ← GrowTree(Dᵢ, F)
|
||
else Tᵢ is a leaf labelled with Label(D)
|
||
|
||
return tree whose root is labelled with S and whose children are Tᵢ
|
||
#+END_SRC
|
||
|
||
*** Purity
|
||
La bonta` di uno split e` determinata dalla purezza.
|
||
Per esempio nel caso di due classi ⊕ e ⊖, la purezza puo` essere
|
||
definita in termini di probabilita` empirica.
|
||
La purezza misura i figli negli alberi, in rule learning la purezza e`
|
||
di un solo figlio il literal e` true. Si possono usare le purity
|
||
measure degli alberi ma senza bisogno di fare la media.
|
||
In the case of classes:
|
||
| minority-class: min{p̣, 1-p̣}
|
||
| Gini-index: ∑p̣ᵢ(1-p̣ᵢ); expected error rate if examples on leaves were labelled randomly
|
||
| Entropy: -∑p̣ᵢ·log₂(p̣ᵢ)
|
||
Impurity of a set: $Imp(D_1, D_2, ..., D_l) = \sum_{j=1}^l
|
||
\frac{|D_j|}{|D|} Imp(D_j)$
|
||
*** Decision Trees
|
||
Separa il dataset in partizioni disgiunte usando l'objective function
|
||
(ogni partizione e` pura nel suo target attribute).
|
||
L'objective function misura la purezza delle partizioni ottenute dopo
|
||
lo split.
|
||
- Information of an event
|
||
I(E) = log₂(1/p)
|
||
Se un evento e` molto probabile (p≊1), l'informazione che ne ricaviamo e`
|
||
poca, e viceversa.
|
||
Se un esperimento ha n outcomes ognuno con probabilita` pᵢ la
|
||
quantita` di informazione media ricavata e` esattamente l'entropia:
|
||
| ∑pᵢlog₂(1/pᵢ) = -∑pᵢlog₂(pᵢ)
|
||
**** BestSplit-Class Algorithm
|
||
#+BEGIN_SRC
|
||
input: dataset D, set of features F
|
||
Iₘᵢₙ ← 1
|
||
foreach f∈F:
|
||
split D into subsets D₁,...,Dₗ secondo i valori υⱼ of f
|
||
if Imp({D₁, ..., Dₗ}) < Iₘᵢₙ:
|
||
Iₘᵢₙ ← Imp({D₁, ..., Dₗ})
|
||
f_{best} ← f
|
||
return f_{best} (feature f to split on)
|
||
#+END_SRC
|
||
Il best split minimizza l'impurita` dei subset D₁, ..., Dₗ.
|
||
*** TODO Ranking Trees
|
||
- Spazio diviso in segmenti
|
||
- Gli alberi possono diventare rankers se imparano un ordinamento per
|
||
i segmenti
|
||
- Le foglie devono essere ordinate
|
||
|
||
** Rules
|
||
Ordered rules are a chain of /if-then-else/.
|
||
#+BEGIN_SRC
|
||
1. Keep growing the rule antecedent by literal conjunction (high purity)
|
||
2. Select the label as the rule consequent
|
||
3. Delete the instance segment from the data, restart from 1
|
||
#+END_SRC
|
||
|
||
*** LearnRuleList
|
||
learn an ordered list of rules
|
||
- LearnRuleList:
|
||
#+BEGIN_SRC
|
||
Input: Labelled training dataset D
|
||
R ← ∅
|
||
while D ≠ ∅ :
|
||
r ← LearnRule(D)
|
||
append r to end of R
|
||
D ← D \ {x∈D | x is covered by r}
|
||
return R
|
||
#+END_SRC
|
||
- LearnRule(D):
|
||
#+BEGIN_SRC
|
||
b ← true
|
||
L ← set of available literals
|
||
while not Homogeneous(D):
|
||
l ← BestLiteral(D,L)
|
||
b ← b ∧ l
|
||
D ← {x∈D | x is covered by b}
|
||
L ← L \ {l'∈L | l' uses same fetures as l}
|
||
C ← Label(D)
|
||
r ← if b then Class = C
|
||
return r
|
||
#+END_SRC
|
||
*** Unordered rules
|
||
Rules can also refer to the same class and we can collect them in a
|
||
rule set.
|
||
- LearnRuleSet(D):
|
||
#+BEGIN_SRC
|
||
Input: Labelled training data D
|
||
R ← ∅
|
||
for every class Cᵢ :
|
||
Dᵢ ← D
|
||
while Dᵢ contains examples of class Cᵢ:
|
||
r ← LearnRuleForClass(Dᵢ, Cᵢ)
|
||
R ← R ∪ {r}
|
||
Dᵢ ← Dᵢ \ {x∈Cᵢ | x is covered by r} ;; remove only positives
|
||
return R
|
||
#+END_SRC
|
||
- LearnRuleForClass(Dᵢ, Cᵢ):
|
||
Stesso che LearnRule(D) ma usa Cᵢ invece che C←Label(D).
|
||
Il problema con queste regole e` che si concentrano troppo sulla
|
||
purezza quando ci sono regole quasi pure che pero` non possono essere
|
||
generalizzate: usa lo smoothing.
|
||
- Laplace correction: $\dot{p}_i^+ = \frac{n_i^+ + 1}{n_i + 2}$
|
||
Solitamente rulesets hanno una performance di ranking maggiore (n
|
||
contro 2ⁿ istanze riconoscibili) ma possono restituire una curva di
|
||
coverage non convessa.
|
||
** TODO Subgroup discovery
|
||
I sottogruppi sono un subset dell'instance space la cui class
|
||
distribution e` differente da quella di D.
|
||
Mapping ĝ: X → C; D = (xᵢ, l(xᵢ))ⁱ
|
||
|