Hafta 03/04 - Uzaklık/Benzerlik - En Yakın Komşular - Karar Ağaçları

Transkript

1 Hafta 03/04 - Uzaklık/Benzerlik - En Yakın Komşular - Karar Ağaçları BGM Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr İstanbul Şehir Üniversitesi Bahar

2 İçindekiler 1 Regularization Detay Neden Katsayıların Büyüklüğünü Cezalandırıyoruz? Lab 2 Uzaklık ve Benzerlik Uzaklık Farklı Uzaklık Ölçümleri Benzerlik Ölçümleri 3 knn Yöntemi Giriş knn Yöntemi Karar Sınırları Ağırlıklı knn 4 Karar Ağaçları Giriş Çok Sınıflı Sınıflandırma Ağacın Oluşturulması

3 İçindekiler 1 Regularization Detay Neden Katsayıların Büyüklüğünü Cezalandırıyoruz? Lab 2 Uzaklık ve Benzerlik Uzaklık Farklı Uzaklık Ölçümleri Benzerlik Ölçümleri 3 knn Yöntemi Giriş knn Yöntemi Karar Sınırları Ağırlıklı knn 4 Karar Ağaçları Giriş Çok Sınıflı Sınıflandırma Ağacın Oluşturulması

4 Regularization - Detay I Regularization Ridge ve Lasso regresyonu, genellikle yüksek sayıda özniteliğin (feature, column v.s.) olduğu durumlarda model (hipotez) oluşturulmasında kullanılan güçlü tekniklerdir. Burada yüksek, genellikle iki konudan birini ifade etmektedir: Bir modelin aşırı öğrenme eğilimini arttırmak için yeterince yüksek sayıda (10 değişken bile aşırı öğrenmeye neden olabilir) Hesaplama zorluklarına neden olacak kadar büyük. Modern sistemlerde, bu durum milyonlarca veya milyarlarca özellikte ortaya çıkabilir. Regularization: Tahmin ve gerçek gözlemler arasındaki hatayı en aza indirgeyerek, özellik katsayılarının büyüklüğünü cezalandırarak çalışırlar.

5 y y Regularization - Detay II Lasso Regularization Ridge Regularization λ 1.00e-15 λ 1.00e-03 λ 1.00e+00 λ 1.00e+01 Samples Test Samples λ 1.00e-15 λ 1.00e-03 λ 1.00e+00 λ 1.00e+01 Samples Test Samples x x Şekil: Farklı λ değerleri için lasso ve ridge regularization

6 y y y Regularization - Detay III Degree 1 Degree 4 Degree 15 Model True function Samples Model True function Samples Model True function Samples x x x Şekil: Aşırı Öğrenme

7 Neden Katsayıların Büyüklüğünü Cezalandırıyoruz? Regularization ) 2 Eski maliyet fonksiyonu C = 1 m 2m i=1 (h(x (i) ) y (i) MSE (Mean Square Error) değerinin azaltılması tek hedeftir. Bu nedenle, MSE düşürmek için ağırlık değerleri herhangi bir değer alabilir. Ağırlıkların yüksek olması ezberlemeye (overfit) neden olabilir. Çözüm: Sadece MSE düşürülmemeli aynı zamanda ağırlıklar çok yüksek olmamalıdır. ( m ( ) ) 2 Yeni maliyet fonksiyonu C = 1 2m i=1 h(x (i) ) y (i) + λ n j=1 w j 2 λ: regularization ifadesinin değerini ayarlamak için kullanılmaktadır. n değeri öznitelik sayısıdır. λ değeri çok düşükse, maliyet sadece çoğunlukla MSE ye bağımlıdır. λ değeri çok büyükse ağırlıklar oldukça düşük değerler olacaktır.

8 Lab Lab Uygulaması 1 ve 2

9 İçindekiler 1 Regularization Detay Neden Katsayıların Büyüklüğünü Cezalandırıyoruz? Lab 2 Uzaklık ve Benzerlik Uzaklık Farklı Uzaklık Ölçümleri Benzerlik Ölçümleri 3 knn Yöntemi Giriş knn Yöntemi Karar Sınırları Ağırlıklı knn 4 Karar Ağaçları Giriş Çok Sınıflı Sınıflandırma Ağacın Oluşturulması

10 Uzaklık I Kümeleme ve sınıflandırma olmak üzere iki örneğin birbirlerine olan uzaklık ve benzerlikleri kullanılmaktadır. Uzaklık Uzaklık: X kümesindeki bir metrik. (uzaklık fonksiyonu veya sadece uzaklık adlandırılır). d : X X R [0, ) x, y, z X gibi X kümesinden alınacak örnekler için uzaklık olarak [0, ) şeklinde skaler sonuçlar üretir. Aşağıdaki koşullar yerine getirir: d(x, y) 0, iki örneklem arasında uzaklık pozitiftir. d(x, y) = 0 x = y iki örneklem arasında uzaklık 0 ise bu iki örneklem aynıdır. d(x, y) = d(y, x), Uzaklıklar simetriktir. d(x, z) d(x, y) + d(x, z) Üçgen eşitsizliği Alternatif olarak uzaklık d, norm N olarak ifade edebiliriz. d(x, y) = N(x y)

11 Uzaklık II Uzaklık Matrisi m adet satır ve n adet özniteliğe sahip veri kümesi D R m n için uzaklık matrisi R R m m şeklinde tanımlanır. 0 d d 1m d d 2m R = d m1 d m2... 0

12 Uzaklık III Uygulama Örnekler (satırlar, x i R n, n 1) arasında benzerliği birbirlerine olan yakınlık olarak tanımlayabiliriz

13 Farklı Uzaklık Ölçümleri I Uzaklık Ölçümleri - Minkowski Uzaklığı d p(x, y) = x y p = ( n k=1 x k y k p ) 1 p (1) p = 1: Manhattan uzaklığı (L 1 -Norm, Taxicab veya City-Block) p = 2: Öklid uzaklığı (L 2 -Norm veya Ruler) p : Chebyshev uzaklığı (L max-norm, maximum metric) d Chebyshev (x, y) = max x i y i Örnek: i x = [0, 3, 4, 5] y = [7, 6, 3, 1] d Chebyshev (x, y) = 7

14 Benzerlik Ölçümleri I Pearson Correlation Tanım Pearson korelasyon katsayısı, X ve Y iki değişkeni arasındaki doğrusal korelasyonun bir ölçütüdür. Öznitelikler arasında bulunan benzerlik derecesini hesaplamada kullanılır. [ 1, +1] aralığında yer alırlar. Pearson Correlation ρ X,Y = n n k=1 (x k x)(y k y) k=1 (x i x) 2 n k=1 (y i y) 2 (2)

15 Benzerlik Ölçümleri II Pearson Correlation

16 Kosinüs Benzerliği I Kosinüs Benzerliği İki vektör arasında bulunan açı farkını kullanan benzerlik ölçümü. Açı 0 ise kosinüs değeri 1 olacaktır. Diğer durumlarda 1 den küçük olacaktır. Kullanım alanı: Döküman benzerlikleri Multimedia kıyaslamaları Arama motorları v.s. cos(θ) = a b a b = n n i=1 a ib i i=1 a2 i n i=1 b2 i (3)

17 Kosinüs Benzerliği II

18 Kosinüs Benzerliği III Örnek a = [1, 6] b = [3, 5] a = = 6.08 b = = 5.83 cos(θ) = a b = = = 0.93

19 Kategorik Değişkenler I Kategorik Değişkenler Öznitelikerin temsili amacıyla söz konusu özelliğin varlığı/yokluğu (Var/Yok, True/False) ile ifade edilmesi Hamming Uzaklığı Tanım: x R m y R m olsun. d(x, y) için Örnekler: m d hamming (x, y) = (x i XOR y i ) (4) i=1 d(00111, 11001) = 4 d(0122, 1220) = 3 d( karolin, kathrin ) = 3

20 Kategorik Değişkenler II İkili alfabe Hamming uzaklığı Kelimeler (R 3 ) üç boyutlu bir küpün köşeleri olarak temsil edilebilir. 000, 001, 010, 011, , 110, 111

21 Kategorik Değişkenler III Jaccard Benzerliği Jaccard benzerliği, hangi üyelerin paylaşıldığını, hangilerinin farklı olduğunu görmek için iki kümeyi karşılaştırmaktadır. Benzerlik ölçüsü aralığı: [0, 1] Jaccard = (the number in both sets) / (the number in either set) * 100 J(X, Y ) = X Y X Y Örnek: J(A, B) = A = {0, 1, 2, 5, 6} B = {0, 2, 3, 4, 5, 7, 9} A B A B = {0, 2, 5} {0, 1, 2, 3, 4, 5, 6, 7, 9} = 3 9 = 0.33 Jaccard uzaklığı: d jaccard (A, B) = 1 J(A, B)

22 Lab Lab Uygulaması 3

23 İçindekiler 1 Regularization Detay Neden Katsayıların Büyüklüğünü Cezalandırıyoruz? Lab 2 Uzaklık ve Benzerlik Uzaklık Farklı Uzaklık Ölçümleri Benzerlik Ölçümleri 3 knn Yöntemi Giriş knn Yöntemi Karar Sınırları Ağırlıklı knn 4 Karar Ağaçları Giriş Çok Sınıflı Sınıflandırma Ağacın Oluşturulması

24 knn Yöntemi Giriş İki değişkenin benzerliği ve uzaklığı çeşitli yöntemlerle (Öklid, Hamming, Jaccard, Pearson gibi) hesaplanabilmektedir. Bu yöntemler kullanılarak Voronoi mozaikleriyle karar sınırları tanımlanabilmektedir. Voronoi: Düzlemin belirli bir alt kümesindeki noktalara olan uzaklığa bağlı olarak bir düzlemin bölgelere ayrılmasıdır.

25 k-en Yakın Komşu Yöntemi I k-nearest-neighbor (knn) knn En basit sınıflandırma algoritmalarından bir tanesidir. Bir test örneği ile belirtilen eğitim örnekleri arasındaki uzaklığa dayanır ? k-en-yakın komşu algoritması En basit sınıflandırma yöntemi Örnek tabanlı: Bir öğrenme aşaması yok. Bunun yerine bütün örnekleri hatırlayarak yeni örneğin sınıfını uzaklıkları kullanarak hesaplamaktadır

26 k-en Yakın Komşu Yöntemi II k-nearest-neighbor (knn) knn Nasıl Çalışır? k adet en yakın komşunun sahip olduğu sınıf etiketi kullanılarak gözlemin sınıfı belirlenir. Uzaklık ölçümü (d(x, y)) için genellikle Öklid (Euclidean) uzaklığı kullanılır. En yakın komşu: eğer bilinmeyen örnek x R m için eğitim veri kümesinde D R m n bulunan örneklerin (satırların) uzaklıklarına göre artan sırada sıralayalım. d 1 (x) d 2 (x) d m(x) d 1 ifadesi en yakın örneğe olan uzaklık, d 2 ifadesi ikinci en yakın örneğe olan uzaklığı ifade etmektedir.

27 k-en Yakın Komşu Yöntemi III k-nearest-neighbor (knn) Formal Tanım positif tamsayı K, gözlemlenen örnek x ve benzerlik metriği d olmak üzere, knn aşağıda yer alan 2 adımı gerçekleştirir. Bütün veri kümesi, D, üzerinde bulunan örnekler (satırlar, gözlemler v.b.) ile sınıf etiketi bilinmeyen x arasında d hesaplanır. Her bir sınıf için şartlı olasılık hesaplanarak, en yüksek olasılığa sahip sınıf etiketi x gözlemine atanmaktadır. P(y = j X = x) = 1 I(y (i) = j) K i A I: Indicator function, doğru ise 1 diğer durumda 0. knn yi anlamak için alternatif bir yol: yeni noktaları sınıflandırmak için kullanılan bir karar sınırını hesaplamak olarak düşünülebilir.

28 k-en Yakın Komşu Yöntemi IV k-nearest-neighbor (knn) Table: KDDCUP 99 veri kümesinden alınmış 10 örneğin birbirlerine olan öklid uzaklıkları. x 0 x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 x x x x x x x x x x

29 Karar Sınırları I Decision Boundaries k = 1 k = 5 k = k = k = k = Şekil: knn karar sınırları

30 Karar Sınırları II Decision Boundaries Lab Uygulaması - 4

31 Ağırlıklı knn Weighted k-nearest-neighbors Ağırlıklı knn Yöntem: sınıf etiketi bilinmeyen örneklem x için yakınında bulunan örneklerin uzaklıklarına göre ağırlıklandırılması yöntemidir. Bu amaçla uzaklık bir benzerlik ölçüsü olarak kullanılır. Yakın olan noktaların ağırlıkları daha yüksek olmalıdır. P(y = j X = x) = 1 K i A 1 d(x, x i ) I(y (i) = j) Python class sklearn.neighbors.kneighborsclassifier(n_neighbors=5, weights= uniform, algorithm= auto, leaf_size=30, p=2, metric= minkowski, metric_params=none,n_jobs=1, **kwargs)

32 İçindekiler 1 Regularization Detay Neden Katsayıların Büyüklüğünü Cezalandırıyoruz? Lab 2 Uzaklık ve Benzerlik Uzaklık Farklı Uzaklık Ölçümleri Benzerlik Ölçümleri 3 knn Yöntemi Giriş knn Yöntemi Karar Sınırları Ağırlıklı knn 4 Karar Ağaçları Giriş Çok Sınıflı Sınıflandırma Ağacın Oluşturulması

33 Karar Ağaçları I Hiyerarşik Öğrenme Tek Aşamalı Sınıflandırıcılar Tek bir işlem kullanarak (doğrusal regresyon, lojistik regresyon) bir x örneklemine sınıf etiketi ataması yaparlar. Bütün sınıflar için tek bir öznitelik kümesi kullanılmaktadır. Özniteliklerin nominal olma durumu. Hiyerarşik Sınıflandırıcılar Birden çok ardışık test

34 Karar Ağaçları II Nominal Veri Öznitelikler Ayrık (Discrete) Herhangi bir sıralama/benzerlik kavramı yok Metrik olmayan öğrenme (Non-metric learning) Örnekler: Protocol type: TCP, UDP Service: http, mail, ftp, ssh Flags: SYN, ACK, RST, FIN

35 Karar Ağaçları III

36 Çok Sınıflı Sınıflandırma Multiclass classification Çok Sınıflı Sınıflandırma Bire-karşı-hepsi (One-versus-all) K adet sınıflandırıcı (hipotez, model) oluştur, oylama ile x etikietini bul Bire-karşı-bir (One-versus-one): K(K-1)/2 adet sınıflandırıcı (hipotez, model) oluştur, oylama ile x etikietini bul Çoklu sınıfları işleyen bir algoritma kullanımı: Karar ağaçları Yapay Sinir ağları

37 Ağacın Oluşturulması I Giriş Monothetic ağaçlarda (her bir node üzerinde sadece bir öznitelik olması) karar sınırları axis lere ortagonal yapıdadır. Ayrıştırma değişkeni (j) ve ayrıştırma noktaları 2 bölge tanımlamaktadır. j ve s değerleri saf olmamayı (Impurity) azaltacak şekilde seçilmelidir. Niteliklerin kategorik olması durumunda: Bilgi Kazanımı Niteliklerin sürekli olması durumunda: Gini index Gini = 1 c i=1 (p i ) 2 Formal Tanım Eğitim vektörleri x i R n, i = 1,, m ve sınıf vektörü y R m olsun. Karar ağacı algoritması, girdi uzayını aynı etiketlere sahip örneklere göre parçalamaktadır. Amaç: Impurity minimize etmek için öznitelikler seçilir. ( R1 (j) min Imp(R 1 (j)) + R ) 2(j) Imp(R 2 (j)) (5) j n total n total

38 Ağacın Oluşturulması II Bilgi Kazanımı (Information Gain) Rassal bir değişken X belirsizliği/rassallığı Entropi ile ölçülür. H(X n) = k p k log 2 (p k ) (6) p k ifadesi, X n içinde yer alan eğitim örneklerinin k sınıfına ait olanlarının oranıdır. İkili sınıflandırma problemi (-1, +1): Bütün örneklerin sınıf etiketi aynı ise Entropi 0. Düşük Entropi. y = { 1, 1,, 1} veya y = {+1, +1,, +1} Bütün örneklerin yarısının sınıf etiketi 1 diğer yarısı +1 aynı ise Entropi 1. Yüksek Entropi

39 Ağacın Oluşturulması III Şekil: Örnek verikümesi 1

40 Ağacın Oluşturulması IV Bağımlı Değişken Entropy Değeri

41 Ağacın Oluşturulması V Bağımsız Değişken (Outlook) Entropy Değeri

42 Ağacın Oluşturulması VI Bilgi Kazanımı (Information Gain) Bilgi kazancı, bir veri kümesinin bir öznitelik üzerine bölünmesinden sonra Entropi azalmasına dayanmaktadır.

43 Ağacın Oluşturulması VII En yüksek bilgi kazanımı olan öznitelik (Outlook), karar düğümü olarak seçilir.

44 Ağacın Oluşturulması VIII 1 tree.htm