Khai phá dữ liệu - Chương 6: Phân cụm dữ liệu

Nội dung text: Khai phá dữ liệu - Chương 6: Phân cụm dữ liệu

1. BÀI GIẢNG NHẬP MÔN KHAI PHÁ DỮ LIỆU CHƯƠNG 6. PHÂN CỤM DỮ LiỆU PGS. TS. HÀ QUANG THỤY HÀ NỘI 9-2011 TRƯỜNG ĐẠI HỌC CÔNG NGHỆ ĐẠI HỌC QUỐC GIA HÀ NỘI 1
2. Nội dung Giới thiệu phân cụm Thuật toán phân cụm k-min Thuật toán phân cụm phân cấp Gán nhãn cụm Đánh giá phân cụm 2
3. 1. Bài toán phân cụm Web ⚫ Bài toán ❑ Tập dữ liệu D = {di} ❑ Phân các dữ liệu thuộc D thành các cụm ▪ Các dữ liệu trong một cụm: “tương tự” nhau (gần nhau) ▪ Dữ liệu hai cụm: “không tương tự” nhau (xa nhau) ❑ Đo “tương tự” (gần) nhau ? ▪ Tiên đề phân cụm: Nếu người dùng lựa chọn một đối tượng d thì họ cũng lựa chọn các đối tượng cùng cụm với d ▪ Khai thác “cách chọn lựa” của người dùng ▪ Đưa ra một số độ đo “tương tự” theo biểu diễn dữ liệu ⚫ Một số nội dung liên quan ❑ Xây dựng độ đo tương tự ❑ Khai thác thông tin bổ sung ❑ Số lượng cụm cho trước, số lượng cụm không cho trước 3
4. Sơ bộ tiếp cận phân cụm ⚫ Phân cụm mô hình và phân cụm phân vùng ❑ Mô hình: Kết quả là mô hình biểu diễn các cụm tài liệu ❑ Vùng: Danh sách cụm và vùng tài liệu thuộc cụm ⚫ Phân cụm đơn định và phân cụm xác suất ❑ Đơn định: Mỗi tài liệu thuộc duy nhất một cụm ❑ Xác suất: Danh sách cụm và xác suất một tài liệu thuộc vào các cụm ⚫ Phân cụm phẳng và phân cụm phân cấp ❑ Phẳng: Các cụm tài liệu không giao nhau ❑ Phân cấp: Các cụm tài liệu có quan hệ phân cấp cha- con ⚫ Phân cụm theo lô và phân cụm tăng ❑ Lô: Tại thời điểm phân cụm, toàn bộ tài liệu đã có ❑ Tăng: Tài liệu tiếp tục được bổ sung trong quá trình phân cụm 4
5. Các phương pháp phân cụm ⚫ Các phương pháp phổ biến ❑ Phân vùng, phân cấp, dựa theo mật độ, dựa theo lưới, dựa theo mô hình, và mờ ⚫ Phân cụm phân vùng ❑ Xây dựng từng bước phân hoạch các cụm và đánh giá chúng theo các tiêu chí tương ứng ❑ Độ đo tương tự / khoảng cách ❑ K-mean, k-mediod ❑ CLARANS, ⚫ Phân cụm phân cấp ❑ Xây dựng hợp (tách) dần các cụm tạo cấu trúc phân cấp và đánh giá theo các tiêu chí tương ứng ❑ Độ đo tương tự / khoảng cách ❑ HAC: Hierarchical agglomerative clustering ❑ CHAMELEON, BIRRCH và CURE, 5
6. Các phương pháp phân cụm ⚫ Phân cụm dựa theo mật độ ❑ Hàm mật độ: Tìm các phần tử chính tại nơi có mật độ cao ❑ Hàm liên kết: Xác định cụm là lân cận phần tử chính ❑ DBSCAN, OPTICS ⚫ Phân cụm dựa theo lưới ❑ Sử dụng lưới các ô cùng cỡ ❑ Tạo phân cấp ô lưới theo một số tiêu chí: số lượng đối tượng trong ô ❑ STING, CLIQUE, WaweCluster ⚫ Phân cụm dựa theo mô hình ❑ Sử dụng một số mô hình giả thiết được phân cụm ❑ Xác định mô hình tốt nhất phù hợp với dữ liệu ❑ MCLUST ⚫ Phân cụm mờ ❑ Giả thiết: không có phân cụm “cứng” cho dữ liệu và đối tượng có thể thuộc một số cụm ❑ Sử dụng hàm mờ từ các đối tượng tới các cụm ❑ FCM (Fuzzy CMEANS), 6
7. Chế độ và đặc điểm phân cụm web ⚫ Hai chế độ ❑ Trực tuyến: phân cụm kết quả tìm kiếm người dùng ❑ Ngoại tuyến: phân cụm tập văn bản cho trước ⚫ Đặc điểm ❑ Chế độ trực tuyến: tốc độ phân cụm ▪ Web số lượng lớn, tăng nhanh và biến động lớn ▪ Quan tâm tới phương pháp gia tăng ❑ Một lớp quan trọng: phân cụm liên quan tới câu hỏi tìm kiếm ▪ Trực tuyến ▪ Ngoại tuyến Carpineto C., Osinski S., Romano G., Weiss D. (2009). A survey of web clustering engines, ACM Comput. Surv. , 41(3), Article 17, 38 pages. 7
8. Thuât toán K-mean gán cứng ⚫ Một số lưu ý ❑ Điều kiện dừng ▪ Sau bước 2 không có sự thay đổi cụm ▪ Điều kiện dừng cưỡng bức ❖ Khống chế số lần lặp ❖ Giá trị mục tiêu đủ nhỏ ❑ Vấn đề chọn tập đại diện ban đầu ở bước Khởi động 8 ❑ Có thể dùng độ đo khoảng cách thay cho độ đo tương tự
9. Thuât toán K-mean gán cứng ⚫ Một số lưu ý (tiếp) và ví dụ ❑ Trong bước 2: các trọng tâm có thể không thuộc S ❑ Thực tế: số lần lặp 50 ❑ Thi hành k-mean với dữ liệu trên đĩa ▪ Toàn bộ dữ liệu quá lớn: không thể ở bộ nhớ trong ▪ Với mỗi vòng lặp: duyệt CSDL trên đĩa 1 lần ❖ Tính được độ tương tự của d với các ci. ❖ Tính lại ci mới: bước 2.1 khởi động (tổng, bộ đếm); bước 2.2 cộng và tăng bộ đếm; bước 2.3 chỉ thực hiện k phép chia. 9 Bing Liu (2007), Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data, Spinger, 2007.
10. Thuât toán K-mean dạng mềm ⚫ Input ❑ Số nguyên k > 0: số cụm biết trước ❑ Tập tài liệu D (cho trước) ⚫ Output ❑ Tập k “đại diện cụm” C làm tối ưu lỗi “lượng tử” ⚫ Định hướng ❑ Tinh chỉnh C dần với tỷ lệ học  (learning rate) 10
11. Thuât toán K-mean ⚫ Ưu điểm ❑ Đơn giản, dễ sử dụng ❑ Hiệu quả về thời gian: tuyến tính O(tkn), t số lần lặp, k số cụm, n là số phần tử ❑ Một thuật toán phân cụm phổ biến nhất ❑ Thường cho tối ưu cục bộ. Tối ưu toàn cục rất khó tìm ⚫ Nhược điểm ❑ Phải “tính trung bình được”: dữ liệu phân lớp thì dựa theo tần số ❑ Cần cho trước k : số cụm ❑ Nhạy cảm với ngoại lệ (cách xa so với đại đa số dữ liệu còn lại): ngoại lệ thực tế, ngoại lệ do quan sát sai (làm sạch dữ liệu) ❑ Nhạy cảm với mẫu ban đầu: cần phương pháp chọn mẫu thô tốt ❑ Không thích hợp với các tập dữ liệu không siêu-ellip hoặc siêu cầu (các thành phần con không ellip/cầu hóa) Bing Liu (2007), Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data, Spinger, 2007. 11
12. Thuât toán K-mean Trái: Nhạy cảm với chọn mẫu ban đầu Phải: Không thích hợp với bộ dữ liệu không siêu ellip/cầu hóa Bing Liu (2007), Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data, Spinger, 2007. 12
13. 3. Phân cụm phân cấp từ dưới lên ⚫ HAC: Hierarchical agglomerative clustering ⚫ Một số độ đo phân biệt cụm ❑ Độ tương tự hai tài liệu ❑ Độ tương tư giữa hai cụm ⚫ Độ tương tự giữa hai đại diện ⚫ Độ tương tự cực đại giữa hai tài liệu thuộc hai cụm: single-link ⚫ Độ tương tự cực tiểu giữa hai tài liêu thuộc hai cum: complete-link ⚫ Độ tương tự trung bình giữa hai tài liêu thuộc hai cum ⚫ Sơ bộ về thuật toán ❑ Đặc điểm: Không cho trước số lượng cụm k, cho phép đưa ra các phương án phân cụm theo các giá trị k khác nhau ❑ Lưu ý: k là một tham số  “tìm k tốt nhất” ❑ Tinh chỉnh: Từ cụ thể tới khái quát 13
14. Phân cụm phân cấp từ dưới lên ⚫ Giải thích ❑ G là tập các cụm trong phân cụm ❑ Điều kiện |G| < k có thể thay thế bằng |G|=1 14
15. Phân cụm phân cấp từ dưới lên ⚫ Hoạt động HAC ❑ Cho phép với mọi k ❑ Chọn phân cụm theo “ngưỡng” về độ tương tự 15
16. HAC với các độ đo khác nhau ⚫ Ảnh hưởng của các độ đo ❑ Trên: Hoạt động thuật toán khác nhau theo các độ đo khác nhau: độ tương tự cực tiểu (complete-link) có tính cầu hơn so với cực đại ❑ Dưới: Độ tương tự cực đại (Single-link) tạo cụm chuỗi dòng 16
17. 4. Biểu diễn cụm và gán nhãn ⚫ Các phương pháp biểu diễn điển dình ❑ Theo đại diện cụm ⚫ Đại diện cụm làm tâm ⚫ Tính bán kính và độ lệch chuẩn để xác định phạm vi của cụm ⚫ Cụm không ellip/cầu hóa: không tốt ❑ Theo mô hình phân lớp ⚫ Chỉ số cụm như nhãn lớp ⚫ Chạy thuật toán phân lớp để tìm ra biểu diễn cụm ❑ Theo mô hình tần số ⚫ Dùng cho dữ liệu phân loại ⚫ Tần số xuất hiện các giá trị đặc trưng cho từng cụm ⚫ Lưu ý ❑ Dữ liệu phân cụm ellip/cầu hóa: đại diện cụm cho biểu diễn tốt ❑ Cụm hình dạng bất thường rất khó biểu diễn 17
18. Gán nhãn cụm tài liệu ⚫ Phân biệt các cụm (MU) ⚫ Chọn từ khóa đặc trưng tương quan cụm ⚫ Nxy (x có từ khóa t, y tài liệu thuộc C) ⚫ N11 : số tài liệu chứa t thuộc cụm C ⚫ N10 : số tài liệu chứa t không thuộc cụm C ⚫ N01 : số tài liệu không chứa t thuộc cụm C ⚫ N00 : số tài liệu không chứa t không thuộc cụm C ⚫ N: Tổng số tài liệu ⚫ Hướng “trọng tâm” cụm ⚫ Dùng các từ khóa tần số cao tại trọng tâm cụm ⚫ Tiêu đề ⚫ Chon tiêu đề của tài liệu trong cụm gần trọng tâm nhất 18
19. Gán nhãn cụm tài liệu ⚫ Ví dụ ❑ Ba phương pháp chọn nhãn cụm đối với 3 cụm là cụm 4 (622 tài liệu), cụm 9 (1017 tài liệu), cụm 10 (1259 tài liệu) khi phân cụm 10000 tài liệu đầu tiên của bộ Reuters-RCV1 ❑ centroid: các từ khóa có tần số cao nhất trong trọng tâm; mutual information (MU): thông tin liên quan phân biệt các cụm; title: tiêu đề tài liệu gần trọng tâm nhất. Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008. 19
20. 5. Đánh giá phân cụm ⚫ Đánh giá chất lượng phân cụm là khó khăn ❑ Chưa biết các cụm thực sự ⚫ Một số phương pháp điển hình ❑ Người dùng kiểm tra ▪ Nghiên cứu trọng tâm và miền phủ ▪ Luật từ cây quyết định ▪ Đọc các dữ liệu trong cụm ❑ Đánh giá theo các độ đo tương tự/khoảng cách ▪ Độ phân biệt giữa các cụm ▪ Phân ly theo trọng tâm ❑ Dùng thuật toán phân lớp ▪ Coi mỗi cụm là một lớp ▪ Học bộ phân lớp đa lớp (cụm) ▪ Xây dựng ma trận nhầm lẫn khi phân lớp ▪ Tính các độ đo: entropy, tinh khiết, chính xác, hồi tưởng, độ 20 đo F và đánh giá theo các độ đo này
21. Đánh giá theo độ đo tương tự ⚫ Độ phân biệt các cụm ❑ Cực đại hóa tổng độ tương tự nội tại của các cụm ❑ Cực tiểu hóa tổng độ tương tự các cặp cụm khác nhau ❑ Lấy độ tương tự cực tiểu (complete link), cực đại (single link) ⚫ Một số phương pháp điển hình ❑ Phân lý theo trọng tâm 21
22. Ví dụ 22