Reconhecimento de Padrões Classificadores Lineares David Menotti, Ph.D. www.decom.ufop.br/menotti Universidade Federal de Ouro Preto (UFOP) Programa de.

Apresentação em tema: "Reconhecimento de Padrões Classificadores Lineares David Menotti, Ph.D. www.decom.ufop.br/menotti Universidade Federal de Ouro Preto (UFOP) Programa de."— Transcrição da apresentação:

1 Reconhecimento de Padrões Classificadores Lineares David Menotti, Ph.D. www.decom.ufop.br/menotti Universidade Federal de Ouro Preto (UFOP) Programa de Pós-Graduação em Ciência da Computação (PPGCC)

2 Objetivos Introduzir o conceito de classificação linear. –LDA –Funções Discriminantes Lineares Perceptron SVM

3 Introdução Para utilizar uma função discriminante linear (Linear Discriminant Function) precisamos ter: –Dados rotulados (supervisão) –Conhecer o shape da fronteira –Estimar os parâmetros desta fronteira a partir dos dados de treinamento. Nesse caso uma reta.

4 Introdução: Idéia Básica Suponha duas classes Assuma que elas são linearmente separáveis por uma fronteira l(θ) Otimizar o parâmetro θ para encontrar a melhor fronteira. Como encontrar o parâmetro –Minimizar o erro no treinamento –O ideal é utilizar uma base de validação. RuimBoa

5 Introdução Funções discriminantes podem ser mais gerais do que lineares Vamos focar em problemas lineares –Mais fácil de compreender –Entender a base da classificação linear Diferentemente de métodos paramétricos, não precisamos conhecer a distribuição dos dados –Podemos dizer que temos uma abordagem não paramétrica.

6 Análise Discriminante Linear LDA (Linear Discriminant Analysis) LDA tenta encontrar uma transformação linear através da maximização da distância entre- classes e minimização da distância intra-classe. O método tenta encontrar a melhor direção de maneira que quando os dados são projetados em um plano, as classes possam ser separadas. Reta ruimReta boa

7 LDA

8 Diferença entre PCA e LDA quando aplicados sobre os mesmos dados

9 LDA Para um problema linearmente separável, o problema consiste em rotacionar os dados de maneira a maximizar a distância entre as classes e minimizar a distância intra-classe.

10 LDA Tutorial 1) Para um dado conjunto de dados, calcule os vetores médios de cada classe μ 1,μ 2 (centróides) e o vetor médio geral,μ. Centroide Classe -1 Centroide Classe +1 Centroide geral

11 LDA Tutorial Calcular as médias de cada classe e a total.

12 LDA Tutorial Calcular o espalhamento de cada classe S i = SUM{(m-x i )(m-x i ) t } Calcular o espalhamento entre classes (within class) S W = S 1 + S 2 priors

13 LDA Tutorial Calcular a inversa de S W –Custo??? Finalmente, o vetor projeção w = S W -1 (m 1 – m 2 ) Reprojetando os vetores sobre w x 1 = ( x 1 w ) w t x 2 = ( x 2 w ) w t

14 LDA Tutorial Para visualizar a transformação, basta aplicar a função discriminante a todos os dados

15 LDA Tutorial Taxa de Reconhecimento = 99%

16 Exercício Gere duas distribuições Classifique os dados usado LDA Verifique o impacto da sobreposição das distribuições.

17 Tutorial 1/2 x1 = [ 2.95 6.63; 2.53 7.79; 3.57 5.65; 3.16 5.47]; x2 = [2.58 4.46; 2.16 6.22; 3.27 3.52]; m1 = mean(x1);m2 = mean(x2);m = mean([x1;x2]); S1 = (x1-repmat(m1,size(x1,1),1))'*... (x1-repmat(m1,size(x1,1),1)); S2 = (x2-repmat(m2,size(x2,1),1))'*... (x2-repmat(m2,size(x2,1),1)); S = S1 + S2; w=inv(S)*(m1-m2)';

18 Tutorial 2/2 figure,hold on axis([0 8 0 8]); plot(x1(:,1),x1(:,2),'bx'); plot(m1(1),m1(2),'bd'); plot(x2(:,1),x2(:,2),'rx'); plot(m2(1),m2(2),'rd'); plot(m(1),m(2),'kd'); plot([w(1) 0],[w(2) 0],'g'); w = w/norm(w); x1l=(x1*w)*w; x2l=(x2*w)*w'; plot(x1l(:,1),x1l(:,2),'bo'); plot(x2l(:,1),x2l(:,2),'ro');

19 Tutorial 2 1/3 http://www.eeprogrammer.com/tutorials/Matlab/discriminant_analyses.html a = 5*[randn(500,1)+5, randn(500,1)+5]; b = 5*[randn(500,1)+5, randn(500,1)-5]; c = 5*[randn(500,1)-5, randn(500,1)+5]; d = 5*[randn(500,1)-5, randn(500,1)-5]; e = 5*[randn(500,1), randn(500,1)]; Group_X = [a;b;c]; Group_Y = [d;e]; All_data = [Group_X; Group_Y]; All_data_label = []; for k = 1:length(All_data) if k 0.8 testing_ind = [testing_ind, i]; end end training_ind = setxor(1:length(All_data), testing_ind);

20 Tutorial 2 2/3 http://www.eeprogrammer.com/tutorials/Matlab/discriminant_analyses.html [ldaClass,err,P,logp,coeff] = classify(All_data(testing_ind,:),... All_data((training_ind),:),All_data_label(training_ind,:),'linear'); [ldaResubCM,grpOrder] = confusionmat(All_data_label(testing_ind,:),ldaClass) K = coeff(1,2).const; L = coeff(1,2).linear; f = @(x,y) K + [x y]*L; h2 = ezplot(f,[min(All_data(:,1)) max(All_data(:,1)) min(All_data(:,2)) max(All_data(:,2))]); hold on [ldaClass,err,P,logp,coeff] = classify(All_data(testing_ind,:),... All_data((training_ind),:),All_data_label(training_ind,:),'diagQuadratic'); [ldaResubCM,grpOrder] = confusionmat(All_data_label(testing_ind,:),ldaClass) K = coeff(1,2).const; L = coeff(1,2).linear; Q = coeff(1,2).quadratic; f = @(x,y) K + [x y]*L + sum(([x y]*Q).* [x y], 2); h2 = ezplot(f,[min(All_data(:,1)) max(All_data(:,1)) min(All_data(:,2)) max(All_data(:,2))]); hold on

21 Tutorial 2 3/3 http://www.eeprogrammer.com/tutorials/Matlab/discriminant_analyses.html Group_X_testing = []; Group_Y_testing = []; for k = 1:length(All_data) if ~isempty(find(testing_ind==k)) if strcmp(All_data_label(k,:),'X')==1 Group_X_testing = [Group_X_testing,k]; else Group_Y_testing = [Group_Y_testing,k]; end end end plot(All_data(Group_X_testing,1),All_data(Group_X_testing,2),'g.'); hold on plot(All_data(Group_Y_testing,1),All_data(Group_Y_testing,2),'r.');

22 Funções Discriminante Lineares Em geral, uma função discriminante linear pode ser escrita na forma w é conhecido como o vetor dos pesos e w 0 representa o bias

23 Funções Discriminante Lineares é um hiperplano –Um hiperplano é Um ponto em 1D Uma reta em 2D Um plano em 3D

24 Funções Discriminante Lineares Para duas dimensões, w determina a orientação do hiperplano enquanto w 0 representa o deslocamento com relação a origem

25 Perceptron Um classificador linear bastante simples, mas bastante importante no desenvolvimento das redes neuronais é o Perceptron. –O perceptron é considerado como sendo a primeira e mais primitiva estrutura de rede neuronial artificial. –Concebido por McCulloch and Pits na década de 50. Diferentemente do LDA, o perceptron não transforma os dados para fazer classificação. –Tenta encontrar a melhor fronteira linear que separa os dados.

26 Perceptron x1x1 x2x2 xnxn w1w1 w2w2 wnwn w0w0 y A função de ativação normalmente utilizada no perceptron é a hardlim (threshold) A função de ativação é responsável por determinar a forma e a intensidade de alteração dos valores transmitido de um neurônio a outro.

27 Perceptron: Algoritmo de Aprendizagem 1.Iniciar os pesos e bias com valores pequenos, geralmente no intervalo [0.3-0.8] 2.Aplicar um padrão de entrada com seu respectivo valor desejado de saída (t i ) e verificar a saída y da rede. 3.Calcular o erro da saída 4.Se e=0, volta ao passo 2 5.Se e<>0, 1.Atualizar pesos 2.Atualizar o bias 6.Voltar ao passo 2 Critério de parada: Todos os padrões classificados corretamente.

28 Perceptron: Exemplo Considere o seguinte conjunto de aprendizagem. 220 -2 1 20 11 X t Nesse tipo de algoritmo é importante que os dados sejam apresentados ao algoritmo de treinamento de maneira intercalada (shuffle)

29 Perceptron: Exemplo Nesse exemplo, vamos inicializar os pesos e bias com 0, ou seja, w =(0,0) e b = 0 Calcula-se o erro Como o erro é diferente de 0, atualizam se os pesos e o bias Apresentando o primeiro padrão (x 1 ) a rede:

30 Calcula-se o erro Apresentando o segundo padrão (x 2 ) a rede: Como o erro é 0, os pesos e o bias não precisam ser atualizados. Calcula-se o erro Apresentando o terceiro padrão (x 3 ) a rede: Como o erro é 0, os pesos e o bias não precisam ser atualizados. Calcula-se o erro Apresentando o quarto padrão (x 4 ) a rede:

31 Perceptron: Exemplo O processo acaba quando todos os padrões forem classificados corretamente. Para esse exemplo, os pesos finais são w=[-1,-3] e b = 2.

32 Determinando a fronteira No caso bi-dimensional, a fronteira de decisão pode ser facilmente encontrada usando a seguinte equação Considere o seguinte exemplo, w = [1.41, 1.41], b = 0.354 Escolha duas coordenadas x, para então encontrar os ys correspondentes x=[-3,3] Efeito do bias diferente de zero. Para x = -3, y = 2.74 Para x = 3, y = -3.25

33 SVM Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento de padrões nos últimos 15 anos. Tem sido largamente utilizado com sucesso para resolver diferentes problemas.

34 SVM - Introdução Como vimos anteriormente, o perceptron é capaz de construir uma fronteira se os dados forem linearmente separáveis. Mas qual a fronteira que deve ser escolhida?? A B

35 SVM - Introdução Suponha que a fronteira escolhida é a A. Como ela está bem próxima da classe azul, seu poder de generalização é baixo –Note que um novo elemento (dados não usados no treimamento), bem próximo de um azul será classificado erroneamente.

36 SVM - Introdução Escolhendo a fronteira B, podemos notar que o poder de generalização é bem melhor. Novos dados são corretamente classificados, pois temos uma fronteira mais distante dos dados de treinamento.

37 Maximização da Margem O conceito por traz do SVM é a maximização da margem, ou seja, maximizar a distância da margem dos dados de treinamento Distância Pequena Distância Grande Hiperplano ótimo: Distância da margem para o exemplo da classe positiva é igual a distância da margem para o exemplo da classe negativa.

38 Vetores de Suporte São os exemplos da base de treinamento mais próximos do hiperplano. –O hiperplano é definido unicamente pelos vetores de suporte, os quais são encontrados durante o treinamento. –Minimização de uma função quadrática Alto custo computacional.

39 SVM: Decisão A função de decisão pode ser descrita pela fórmula acima, na qual, –K é a função de kernel, –α e b são os parâmetros encontrados durante o treinamento, –x i e y i são os vetores de características e o label da classe respectivamente.

40 Soft Margin Mesmo para dados que não podem ser separados linearmente, o SVM ainda pode ser apropriado. Isso é possível através do uso das variáveis de folga (parâmetro C). Para um bom desempenho, os dados devem ser quase linearmente separáveis

41 Soft Margin Quanto maior o número de variáveis de folga (C), mais outliers serão descartados. Se C for igual a zero, temos um problema linearmente separável.

42 Mapeamento não Linear A grande maioria dos problemas reais não são linearmente separáveis. A pergunta então é: Como resolver problemas que não são linearmente separáveis com um classificador linear? Projetar os dados em um espaço onde os dados são linearmente separáveis. Espaço de entrada Espaço de características

43 Mapeamento não Linear Projetar os dados em outra dimensão usando uma função de kernel (kernel trick). Encontrar um hiperplano que separe os dados nesse espaço. Em qual dimensão esses dados seriam linearmente separáveis? 1D 2D

44 Kernel Trick A função que projeta o espaço de entrada no espaço de características é conhecida como Kernel Baseado no teorema de Cover –Dados no espaço de entrada são transformados (transf. não linear) para o espaço de características, onde são linearmente separáveis. O vetor representa a imagem induzida no espaço de características pelo vetor de entrada

45 Exemplo

46

47 Kernel Trick Permite construir um hiperplano no espaço de característica sem ter que considerar o próprio espaço de características de forma explícita. Toda vez que um produto interno entre vetores deve ser calculado, utiliza-se o kernel. Uma função de kernel deve satisfazer o teorema de Mercer para ser válida.

48 Exemplos de Kernel

49 Tomada de Decisão SVM são classificadores binários, ou seja, separam duas classes. Entretanto, a grande maioria dos problemas reais possuem mais que duas classes. Como utilizar os SVMs nesses casos? –Pairwise, um-contra-todos

50 Pairwise Consiste em treinar classificadores pairwise e arranjá-los em uma árvore A competição se dá nos níveis inferiores, e o ganhador chegará ao nó principal da árvore. Número de classificadores para q classes = q(q-1)/2.

51 Um-Contra-Todos Aqui, o número de classificadores é igual a q. Treina-se um classificador c i para a primeira classe, usando-se como contra exemplos as outras classes, e assim por diante. Para se obter a decisão final pode-se utilizar uma estratégia de votos.

52 Exercício Utilizar a ferramente LibSVM para realizar classificação usando SVM.