ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
INVESTICE ROZVOJE VZDĚLÁVÁNÍ © Institut DO biostatistiky a analýz
V. KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI
© Institut biostatistiky a analýz
PRINCIPY KLASIFIKACE ;
pomocí diskriminačních funkcí – funkcí, které určují míru příslušnosti k dané klasifikační třídě;
;
pomocí definice hranic mezi jednotlivými třídami a logických pravidel;
;
pomocí vzdálenosti od reprezentativních obrazů (etalonů) klasifikačních tříd;
;
pomocí ztotožnění s etalony;
© Institut biostatistiky a analýz
PRINCIPY KLASIFIKACE ;
pomocí diskriminačních funkcí – funkcí, které určují míru příslušnosti k dané klasifikační třídě;
;
pomocí definice hranic mezi jednotlivými třídami a logických pravidel;
;
pomocí vzdálenosti od reprezentativních obrazů (etalonů) klasifikačních tříd;
;
pomocí ztotožnění s etalony;
© Institut biostatistiky a analýz
METRIKA - VZDÁLENOST Metrika ρ na X je funkce ρ: X × X → R, kde R je množina reálných čísel, taková, že: ∃ρ0∈R: -∞ < ρ0 ≤ ρ(x,y) < +∞, ∀x,y ∈ X ρ(x,x) = ρ0, ∀x ∈ X a ρ(x,y) = ρ(y,x), ∀x,y ∈ X. (symetrie) Když dále ρ(x, y) = ρ0 když a jen když x = y (totožnost) a
ρ(x, z) ≤ ρ(x, y) + ρ(y, z), ∀x,y,z ∈ X. (Δ nerovnost)
Prostor X, ve kterém metrika ρ definována, nazýváme metrickým prostorem. Vzdálenost je hodnota určená podle metriky. © Institut biostatistiky a analýz
METRIKA PODOBNOSTI - PODOBNOST Metrická míra podobnosti s na X je funkce s: X × X → R, kde R je množina reálných čísel, taková, že: ∃s0∈R: -∞ < s(x,y) ≤ s0< +∞, ∀x,y ∈ X s(x,x) = s0, ∀x ∈ X a s(x,y) = s(y,x), ∀x,y ∈ X. (symetrie) Když dále s(x,y) = s0 když a jen když x = y (totožnost) a
s(x,y).s(y,z) ≤ [s(x,y) + s(y,z)].s(x,z), ∀x,y,z ∈ X.
© Institut biostatistiky a analýz
MÍRY PODOBNOSTI VS. NEPODOBNOSTI Vzdálenostní míry (míry nepodobnosti) mohou být transformovány na podobnostní míry různými transformacemi, např. sij = 1/ρij sij = 1/(1+ ρij) sij = c - ρij, c ≥ max ρij, ∀i,j
© Institut biostatistiky a analýz
MÍRY PODOBNOSTI VS. NEPODOBNOSTI Vzdálenostní míry (míry nepodobnosti) mohou být transformovány na podobnostní míry různými transformacemi, např. sij = 1/ρij s(x,y).s(y,z) ≤ [s(x,y) + s(y,z)].s(x,z), ∀x,y,z ∈ X
sij = 1/(1+ ρij) sij = c - ρij, c ≥ max ρij, ∀i,j
© Institut biostatistiky a analýz
MÍRY PODOBNOSTI VS. NEPODOBNOSTI Vzdálenostní míry (míry nepodobnosti) mohou být transformovány na podobnostní míry různými transformacemi, např. sij = 1/ρij s(x,y).s(y,z) ≤ [s(x,y) + s(y,z)].s(x,z), ∀x,y,z ∈ X
sij = 1/(1+ ρij) sij = c - ρij, c ≥ max ρij, ∀i,j
© Institut biostatistiky a analýz
MÍRY PODOBNOSTI VS. NEPODOBNOSTI Vzdálenostní míry (míry nepodobnosti) mohou být transformovány na podobnostní míry různými transformacemi, např. sij = 1/ρij s(x,y).s(y,z) ≤ [s(x,y) + s(y,z)].s(x,z), ∀x,y,z ∈ X
sij = 1/(1+ ρij) s(x,y).s(y,z) ≤ [s(x,y) + s(y,z) - s(x,y).s(y,z)].s(x,z), ∀x,y,z ∈ X
sij = c - ρij, c ≥ max ρij, ∀i,j
© Institut biostatistiky a analýz
MÍRY PODOBNOSTI VS. NEPODOBNOSTI Vzdálenostní míry (míry nepodobnosti) mohou být transformovány na podobnostní míry různými transformacemi, např. sij = 1/ρij s(x,y).s(y,z) ≤ [s(x,y) + s(y,z)].s(x,z), ∀x,y,z ∈ X
sij = 1/(1+ ρij) s(x,y).s(y,z) ≤ [s(x,y) + s(y,z) - s(x,y).s(y,z)].s(x,z), ∀x,y,z ∈ X
sij = c - ρij, c ≥ max ρij, ∀i,j s(x,z) ≥ s(x,y) + s(y,z) - c
© Institut biostatistiky a analýz
TYPY MĚR VZDÁLENOSTI (PODOBNOSTI) ;
dle typu příznaků (numerické hodnoty, nominální či ordinální hodnoty, binární hodnoty);
;
dle objektů, jejichž vztah hodnotíme – obrazy (vektory), množiny obrazů (vektorů), rozdělení
;
deterministické (nepravděpodobnostní) vs. pravděpodobnostní míry
© Institut biostatistiky a analýz
MÍRY VZDÁLENOSTI obecné poznámky: ;
výběr konkrétní metriky závisí na použití kritéria:
;
Î
optimální výsledky (klasifikační chyby, ztráta, …)
Î
výpočetní nároky
Î
charakter rozložení dat
obecně nelze doporučit vhodnou metriku pro určité standardní situace
© Institut biostatistiky a analýz
NUMERICKÉ PŘÍZNAKY
© Institut biostatistiky a analýz
EUKLIDOVA METRIKA metrika zřejmě s nejnázornější geometrickou interpretaci
⎡ ⎤ ρE ( x1, x 2 ) = ⎢∑ ( x1i − x 2i )2 ⎥ ⎣ i=1 ⎦ n
1/ 2
;
geometrickým místem bodů s toutéž Euklidovou vzdáleností od daného bodu je hyperkoule (kruh ve dvourozměrném prostoru);
;
dává větší důraz na větší rozdíly mezi souřadnicemi (žádoucí nebo nežádoucí? – volba i podle toho, jak chceme zdůrazňovat rozdíly mezi jednotlivými souřadnicemi)
;
čtverec euklidovské vzdálenosti (lépe se počítá) je stále mírou nepodobnosti, ale není metrikou © Institut biostatistiky a analýz
EUKLIDOVA METRIKA metrika zřejmě s nejnázornější geometrickou interpretaci
⎡ ⎤ ρE ( x1, x 2 ) = ⎢∑ ( x1i − x 2i )2 ⎥ ⎣ i=1 ⎦ n
;
1/ 2
Sokalova metrika 1/ 2
⎧ ρ ( x1, x 2 ) ⎫ ρS ( x1, x 2 ) = ⎨ ⎬ n ⎩ ⎭ 2 E
© Institut biostatistiky a analýz
HAMMINGOVA METRIKA (metrika Manhattan, city-block m., taxi driver m.) n
ρH ( x1, x 2 ) = ∑ x1i − x 2i i=1
© Institut biostatistiky a analýz
HAMMINGOVA METRIKA (metrika Manhattan, city-block m., taxi driver m.) n
ρH ( x1, x 2 ) = ∑ x1i − x 2i i=1
;
geometrickým místem bodů ve dvou rozměrném prostoru je kosočtverec;
;
nižší výpočetní nároky než E.m. ⇒ použití v úlohách s vysokou výpočetní pracností
© Institut biostatistiky a analýz
MINKOVSKÉHO METRIKA
⎡ m⎤ ρM ( x1, x 2 ) = ⎢∑ x1i − x 2i ⎥ ⎣ i=1 ⎦ n
1/ m
;
zobecnění Euklidovy a Hammingovy metriky;
;
volba m záleží na míře důrazu – čím větší m, tím větší váha na velké rozdíly mezi příznaky, pro m→∞ metrika konverguje k Čebyševově metrice ρC ( x1, x 2 ) = lim ρM ( x1, x 2 ) m→∞
© Institut biostatistiky a analýz
ČEBYŠEVOVA METRIKA
ρC ( x1, x 2 ) = max {x1i − x 2i } ∀i
;
používá se ve výpočetně kriticky náročných případech, kdy je pracnost výpočtu dle euklidovsky orientovaných metrik nepřijatelná;
;
geometrickým místem bodů s toutéž Čebyševovou vzdáleností od daného bodu je hyperkrychle (čtverec ve dvourozměrném prostoru)
© Institut biostatistiky a analýz
SROVNÁNÍ GEOMETRICKÝCH MÍST
© Institut biostatistiky a analýz
ČEBYŠEVOVA METRIKA ;
pokud je třeba použít „euklidovskou“ metriku, ale s nižší výpočetní pracností, používá se v první řadě Hammingova nebo Čebyševova metrika;
;
lepším přiblížením je kombinace obou metrik
ρ A ( x1, x 2 ) = max( 2ρH / 3; ρC ) (ve dvourozměrném prostoru tvoří geometrické místo bodů o téže vzdálenosti osmiúhelník)
© Institut biostatistiky a analýz
KVADRATICKÁ VZDÁLENOST ρ2Q ( x1, x 2 ) = ( x1 − x 2 )T .Q.(x1 − x 2 ) ;
vhodný výběr matice Q je inverzní matice kovariance uvnitř množiny obrazů;
;
pak se to jmenuje Mahalanobisova metrika
[
−1
]
ρMA ( x1, x 2 ) = ( x1 − x 2 ) .K .(x1 − x 2 ) T
1/ 2
© Institut biostatistiky a analýz
METRIKA CANBERRA n
x1i − x 2i
i=1
x1i + x 2i
ρCA ( x1, x 2 ) = ∑ ;
je vhodná pro proměnné s nezápornými hodnotami Î pokud
jsou obě hodnoty x1i a x2i nulové, potom předpokládáme, že hodnota zlomku je nulová;
Î je-li
jenom jedna hodnta nulová, pak je zlomek roven jedné, nezávile na velikosti druhé hodnoty;
Î někdy
se nulové hodnoty nahrazují malým kladným číslem (menším, než nejmenší naměřené hodnoty);
© Institut biostatistiky a analýz
NELINEÁRNÍ VZDÁLENOST ⎧0 když ρE ( x1, x 2 ) < D ρN ( x1, x 2 ) = ⎨ ⎩H když ρE ( x1, x 2 ) ≥ D kde D je prahová hodnota a H je nějaká konstanta. Uvádí se, že dobrý výběr hodnot H a D by měl splňovat vztah H=
Γ(n / 2)
Dn πn když D splňuje nestrannost a konzistenční podmínku Parzenova odhadu, především DnN→∞ a D→0, když N→∞ (N je počet obrazů v množině)
© Institut biostatistiky a analýz
ÚHLOVÁ VZDÁLENOST n
∑x i=1
n
1i
x 2i
n
∑x ∑x i=1
2 1i
i =1
2 2i
;
Úhlová vzdálenost (je to spíš míra podobnosti, než nepodobnosti) určuje úhel mezi jednotkovými vektory, které mají směr obou zkoumaných vektorů.
;
Vhodná v případě, pokud je informativní pouze relativní hodnota příznaků. © Institut biostatistiky a analýz
ÚHLOVÁ VZDÁLENOST n
∑x i=1
n
1i
x 2i
n
∑x ∑x i=1
2 1i
i =1
2 2i
co takhle korelační koeficient ?
;
Úhlová vzdálenost (je to spíš míra podobnosti, než nepodobnosti) určuje úhel mezi jednotkovými vektory, které mají směr obou zkoumaných vektorů.
;
Vhodná v případě, pokud je informativní pouze relativní hodnota příznaků. © Institut biostatistiky a analýz
NEPRAVDĚPODOBNOSTNÍ METRIKY nevýhody: ;
fyzikální nesmyslnost vytvářet kombinaci veličin s různým fyzikálním rozměrem
;
jsou-li příznakové veličiny zahrnovány do výsledné vzdálenosti se stejnými vahami, zvyšuje se vliv korelovaných veličin
© Institut biostatistiky a analýz
NEPRAVDĚPODOBNOSTNÍ METRIKY možné odstranění (potlačení) nevýhod: vztažením k nějakému vyrovnávacímu faktoru, např. střední hodnotě, směrodatné odchylce, normě daného obrazu x=(x1, x2, …,xn)
x =
n
2 x ∑ i, i=1
rozpětí
Δi = max xij − min xij, j
j
resp. standardizací podle vztahu
uij =
x ij − x j σj
, i = 1,..., n; j = 1,..., K © Institut biostatistiky a analýz
NEPRAVDĚPODOBNOSTNÍ METRIKY možné odstranění (potlačení) nevýhod: ;
lze i subjektivně či na základě nějaké apriorní informace o úloze přiřadit každé příznakové proměnné váhový koeficient, např. váhovaná Minkovského metrika má tvar
⎡ m⎤ ρ WM ( x1, x 2 ) = ⎢∑ ai . x1i − x 2i ⎥ ⎣ i=1 ⎦ n
1/ m
© Institut biostatistiky a analýz
NEPRAVDĚPODOBNOSTNÍ METRIKY možné odstranění (potlačení) nevýhod: ;
váhování příznaků lze zapsat maticově ui = TC.xi, kde prvky transformační matice C jsou definovány jako cii = ai, pro i = 1, …, n cij = 0, pro i ≠ j
Za tohoto formalismu je Euklidova metrika definována vztahem
[
]
ρEW ( x1, x 2 ) = ( x1 − x 2 ) .C.C .( x1 − x 2 ) T
T
1/ 2
© Institut biostatistiky a analýz
NEPRAVDĚPODOBNOSTNÍ METRIKY možné odstranění (potlačení) nevýhod: ;
pokud jsou složky transformovaného obrazu dány lineární kombinací více složek původního obrazu, není ani matice C, ani matice C.TC čistě diagonální. Použijeme-li místo matice C.TC inverzní kovarianční matice K-1, pak definiční vztah pro váhovanou Euklidovu metriku je definičním vztahem pro Mahalanobisovu metriku
[
−1
]
ρE (u1,u2 ) = ρMA ( x1, x 2 ) = ( x1 − x 2 ) .K .(x1 − x 2 ) T
1/ 2
© Institut biostatistiky a analýz
NEPRAVDĚPODOBNOSTNÍ METRIKY možné odstranění (potlačení) nevýhod: ;
pokud jsou složky transformovaného obrazu dány lineární kombinací více složek původního obrazu, není ani matice C, ani matice C.TC čistě diagonální. Použijeme-li místo matice C.TC inverzní kovarianční matice K-1, pak definiční vztah pro váhovanou Euklidovu metriku je definičním vztahem pro Mahalanobisovu metriku
[
−1
]
ρE (u1,u2 ) = ρMA ( x1, x 2 ) = ( x1 − x 2 ) .K .(x1 − x 2 ) ;
T
1/ 2
Kovarianční matice dvou (náhodných) vektorů x=T(x1,…,xm) a y=T(y1,…,yn) je dána vztahem ;
K(x,y)=E((x-Ex).(y-Ey)T) = [cov(xi,yj)]m,n © Institut biostatistiky a analýz
NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ
© Institut biostatistiky a analýz
NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ ;
Nominální proměnná je taková, o jejíž dvou hodnotách můžeme pouze říci, zda jsou stejné či různé (škola, fakulta, obor). Hodnotami mohou být texty (písmena), případně i číselné kódy. Lze u nich zjišťovat jen rozdělení četností, nemůžeme provádět aritmetické operace (sčítat apod.), výjimkou jsou binární proměnné (viz dále).
;
Ordinální (pořadová), u jejíž dvou hodnot můžeme navíc určit pořadí (úroveň spokojenosti, vzdělání). Jako hodnoty lze použít text, datum, číslo. Pro statistické analýzy (s výjimkou zjišťování četností) je třeba texty převést na čísla. S typem datum lze provádět jen některé výpočty, a to pouze v některých programových systémech.
© Institut biostatistiky a analýz
NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ Nominální proměnné jsou často reprezentovány binárně kódem jedna z m. Vzdálenost mezi takovými obrazy je dána součtem příspěvků od jednotlivých proměnných V případě ordinálních proměnných vzdálenost mezi dvěma vektory nezávisí jednoduše na hodnotách proměnných. Pokud proměnná v jednom vektoru nabývá hodnoty m a v druhém hodnoty k (mm Hodnota δmk je velice závislá na řešeném problému. Př. rostlina s krátkými, dlouhými a velmi dlouhými plody. Samozřejmě chceme, aby vzdálenost mezi velmi dlouhým a krátkým plodem byla větší než mezi dlohým a krátkým plodem. To splňuje kódování 1,2,3, ale také 1,10,100. © Institut biostatistiky a analýz
BINÁRNÍ PROMĚNNÉ
© Institut biostatistiky a analýz
BINÁRNÍ PROMĚNNÉ KOEFICIENTY ASOCIACE
© Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE ;
Koeficienty asociace jsou míry podobnosti mezi obrazy obsahujícími logické (binární, dichotomické) příznakové veličiny.
;
Ke zjištění podobnosti je třeba sledovat shodu či neshodu hodnot odpovídajících si příznaků ⇒ čtyři možné situace
© Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE A. u obou obrazů sledovaný jev nastal (oba odpovídající si příznaky mají hodnotu true) – pozitivní shoda; B. u obrazu xi jev nastal (xik = true), zatímco u obrazu xj nikoliv (xjk = false); C. u obrazu xi jev nenastal (xik = false), zatímco u obrazu xj ano (xjk = true); D. u obou obrazů sledovaný jev nenastal (oba odpovídající si příznaky mají hodnotu false) – negativní shoda; © Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE
© Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE ;
sledujeme, kolikrát pro všechny příznaky obrazů xi a xj nastaly případy shody a neshody Î A+D
celkový počet shod příznaků;
Î B+C
celkový počet neshod příznaků;
Î A+B+C+D
=n tj. počet příznaků obou obrazů
Na základě počtu zjištěných shod a neshod jsou definovány různé koeficienty asociace. Koeficienty asociace jsou míry podobnosti
© Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE ;
Sokalův- Michenerův koeficient (koeficient jednoduché vazby) A +D sSM ( x i , x j ) = A +B+C+D
Problém je se hodnotou D – společná absence jevu – problém „double zero“. To, že někde něco není často nevede k větší podobnosti (ekologie), nebo naopak společná absence se špatně určuje (detekce určitých prvků v signálu). © Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE ;
Jaccardův (Tanimotův) koeficient A sJ ( x i , x j ) = A +B+C Î vůbec
neobsahuje člen D – masivní využití v ekologii
Î není
definován pro dvojice obrazů, které vykazují negativní shodu ve všech příznacích;
© Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE ;
Diceův koeficient (Czekanowského)
2A 2A = sD ( x i , x j ) = 2 A + B + C ( A + B ) + ( A + C) v podstatě totéž jako Jaccardův koeficient, pouze koincidence má dvojnásobnou váhu
© Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE ;
Russelův- Raoův koeficient A sRR ( x i , x j ) = A +B+C+D Asociační koeficienty zpravidla nabývají hodnot z intervalu 〈0,1〉. V případě R-R koeficientu je při srovnání dvou týchž obrazů hodnota sRR = 1 pouze když došlo u všech příznaků jen k pozitivní shodě.
© Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE Z koeficientů asociace, které vyjadřují míru podobnosti lze zpravidla odvodit koeficienty nepodobnosti dX (x i, x j ) = 1 − s x ( x i, x j ) V případě Jaccardova a Dicova koeficientu nepodobnosti je dodefinována hodnota i pro případy úplné negativní shody tak, že dJ(xi,xj) = dD(xi,xj) = 0 pro A = B = C = 0
© Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE Rogersův-Tanimotův koeficient A +D A +D sRT ( x i , x j ) = = A + D + 2.(B + C) (B + C) + ( A + B + C + D) ;
;
Hammanův koeficient A + D − (B + C) sH ( x i , x j ) = A +B+C+D Na rozdíl od všech předcházejících nabývá Hammanův koeficient hodnot z intervalu 〈-1,1〉, přičemž hodnoty -1 nabývá, pokud se příznaky neshodují ani jednou, 0 nabývá když je počet shod a neshod v rovnováze a +1 je v případě úplné shody mezi všemi příznaky. © Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE Na základě četností A až D lze vytvářet také dříve uvedené míry: ;
Hammingova vzdálenost ρH ( x i , x j ) = B + C
;
Euklidova vzdálenost ρE ( x i , x j ) = B + C
© Institut biostatistiky a analýz
KOEFICIENTY ASOCIACE Na základě četností A až D lze vytvářet také dříve uvedené míry: ;
Pearsonův korelační koeficient A.D − B.C sr ( x i , x j ) = ( A + B).(C + D).( A + C).(B + D)
;
kritérium shody χ2 s χ ( x i , x j ) = n.sr2 ( x i , x j )
© Institut biostatistiky a analýz
PODOBNOST MEZI TŘÍDAMI ;
„podobnost“ jednoho obrazu s více obrazy jedné třídy (skupin, množin, shluků);
;
„podobnost“ obrazů dvou tříd (skupin, množin, shluků);
;
zavedeme funkci, která ke každé dvojici skupin obrazů (Ci, Cj) přiřazuje číslo D(Ci, Cj), které podobně jako míry podobnosti či nepodobnosti (metriky) jednotlivých obrazů musí splňovat minimálně podmínky: © Institut biostatistiky a analýz
PODOBNOST MEZI TŘÍDAMI PODMÍNKY ;
(S1)
D(Ci, Cj) ≥ 0
;
(S2)
D(Ci, Cj) = D(Cj, Ci)
;
(S3)
D(Ci, Ci) = maxi,jD(Ci, Cj)
(S3’)
(pro míry podobnosti) D(Ci, Ci) = 0 pro všechna i
;
(pro míry podobnosti)
© Institut biostatistiky a analýz
METODA NEJBLIŽŠÍHO SOUSEDA ;
je-li d libovolná míra nepodobnosti (vzdálenosti) dvou obrazů a Ci a Cj jsou libovolné skupiny množiny obrazů {xi}, i=1,…,K, potom metoda nejbližšího souseda definuje mezi skupinami Ci a Cj vzdálenost
DNN (C i ,C i ) = min d( x p , x q ) x p ∈C i x q ∈C j
Pozn.: Při použití této metody se mohou vyskytovat v jednom shluku často i poměrně vzdálené obrazy. Tzn. metoda nejbližšího souseda může generovat shluky protáhlého tvaru.
© Institut biostatistiky a analýz
METODA K NEJBLIŽŠÍCH SOUSEDŮ Je zobecněním metody nejbližšího souseda. Je definována vztahem k
DNNk (C i ,C i ) = min ∑ d( x p , x q ), x p ∈C i x q ∈C j
tj. vzdálenost dvou shluků je definována součtem k nejkratších vzdáleností mezi obrazy dvou skupin obrazů. Pozn.: Při shlukování metoda částečně potlačuje generování řetězcových struktur.
© Institut biostatistiky a analýz
METODA NEJVZDÁLENĚJŠÍHO SOUSEDA ;
opačný princip než nejbližší sousedi
DFN (C i ,C i ) = max d( x p , x q ) Pozn.:
x p ∈C i x q ∈C j
Generování protáhlých struktur tato metoda potlačuje, naopak vede ke tvorbě nevelkých kompaktních shluků.
;
je možné i zobecnění pro více nejbližších sousedů k
DFNk (C i ,C i ) = max ∑ d( x p , x q ), x p ∈C i x q ∈C j
© Institut biostatistiky a analýz
METODA CENTROIDNÍ ;
vychází z geometrického modelu v euklidovském n rozměrném prostoru a určuje vzdálenost dvou tříd jako čtverec Euklidovy vzdálenosti těžišť obou tříd. je-li těžiště třídy definováno jako střední hodnota z obrazů patřících do této třídy, tj. K
x rk = { x rk1, x rk 2 ,..., x rkn }, x ri = ∑ x rik , i = 1,..., n, k =1
pak
DC (C i ,C i ) = ρE2 ( x i , x j ), © Institut biostatistiky a analýz
METODA PRŮMĚRNÉ VAZBY ;
vzdálenost dvou tříd Ci a Cj je průměrná vzdálenost mezi všemi obrazy tříd Ci a Cj. Obsahuje-li shluk Ci P obrazů a Cj Q obrazů, pak jejich vzdálenost je definována vztahem
1 P Q DGA (C i ,C i ) = d( x p , x q ). ∑∑ PQ p=1 q=1 Pozn.: Metoda často vede k podobným výsledkům jako metoda nejvzdálenějšího souseda.
© Institut biostatistiky a analýz
WARDOVA METODA ;
vzdálenost mezi třídami (shluky) je definována přírůstkem součtu čtverců odchylek mezi těžištěm a obrazy shluku vytvořeného z obou uvažovaných shluků Ci a Cj oproti součtu čtverců odchylek mezi obrazy a těžišti v obou shlucích Ci a Cj.
© Institut biostatistiky a analýz
WARDOVA METODA ;
jsou-li x i a x j těžiště tříd Ci a Cj a x těžiště sjednocené množiny, pak Wardova vzdálenost obou shluků je definována výrazem
D W (C i ,C i ) =
∑
n
2 ( x x ) − − ∑ ik
x i ∈C i ∪C j k =1
n n ⎞ ⎛ 2 2 − ⎜ ∑ ∑ ( x ik − x ik ) + ∑∑ ( x ik − x ik ) ⎟. ⎟ ⎜ x ∈C k =1 x ∈ C k = 1 i j ⎠ ⎝ i i
Pozn.: Metoda má tendenci vytvářet shluky zhruba stejné velikosti, tedy odstraňovat shluky malé, resp. velké. © Institut biostatistiky a analýz
WARDOVA METODA
© Institut biostatistiky a analýz
PRAVDĚPODOBNOSTNÍ METRIKY ;
používají kompletní informaci o struktuře klasifikačních tříd danou pomocí podmíněných hustot pravděpodobnosti p(x|ω1) a p(x|ω2);
;
metriky tohoto typu splňují následující podmínky: 1. J = 0, pokud jsou si hustoty pravděpodobnosti rovny, tj. p(x|ω1) = p(x|ω2); 2. J ≥ 0 3. J nabývá maxima, pokud jsou klasifikační třídy disjunktní, tj. p(x|ω1) = 0 a p(x|ω2) ≠ 0 a naopak.
© Institut biostatistiky a analýz
PRAVDĚPODOBNOSTNÍ METRIKY základní myšlenka: ;
klasifikační chyba:
e=
{
1 1 − ∫ P(ω1 x ) − P(ω2 x ) .p( x )dx 2
}
integrál v tomto vztahu
JK = ∫ P(ω1 x ) − P(ω2 x ) .p( x )dx = = ∫ p( x ω1 ).P(ω1 ) − p( x ω2 ).P(ω2 ) dx
se nazývá Kolmogorovova variační vzdálenost
Chyba bude maximální, když integrand bude nulový, tj. když obě váhované funkce hustoty pravděpodobnosti budou totožné. Naopak chyba bude nulová, pokud se obě hustoty nebudou překrývat ⇒ čím větší vzdálenost mezi třídami, tím je menší chyba klasifikace a naopak.
© Institut biostatistiky a analýz
PRAVDĚPODOBNOSTNÍ METRIKY Podobně jsou definovány další pravděpodobnostní míry vzdálenosti obecně vztahem J( x ) = ∫ f [p( x ωi ),P(ωi ),i = 1,2]dx
Chceme, aby J(x) byla nezáporná funkce, pro kterou je J(x)=0, když jsou obě hustoty pravděpodobnosti totožné a je maximální, když se obě hustoty nepřekrývají.
© Institut biostatistiky a analýz
PRAVDĚPODOBNOSTNÍ METRIKY Chernoffova vzdálenost
JC = − ln ∫ p s ( x ω1 ).p1−s ( x ω2 )dx, Bhattacharyyova vzdálenost Divergence
s ∈ 0;1
JB = − ln ∫ p( x ω1 ).p( x ω2 ).dx
⎛ p( x ω1 ) ⎞ ⎟.dx JD = ∫ p( x ω1 ) − p( x ω2 ) . ln⎜ ⎜ p( x ω ) ⎟ 2 ⎠ ⎝ Patrickova-Fisherova vzdálenost
[
JPF =
]
∫ [p(x ω ) − p(x ω )]
¨2
1
2
.dx
© Institut biostatistiky a analýz
PRAVDĚPODOBNOSTNÍ METRIKY resp. tzv. zprůměrněné verze, zahrnující i apriorní pravděpodobnost jednotlivých klasifikačních tříd zprůměrněná Chernoffova vzdálenost
JC = − ln ∫ [p( x ω1 )P(ω1 )] [p( x ω2 )P(ω2 )] dx, zprůměrněná Bhattacharyyova vzdálenost 1− s
s
s ∈ 0;1
JB = − ln ∫ p( x ω1 ).P(ω1 ).p( x ω2 )P(ω2 ).dx zprůměrněná divergence ⎛ p( x ω1 ).P(ω1 ) ⎞ ⎟.dx JD = ∫ p( x ω1 ).P(ω1 ) − p( x ω2P(ω2 )) . ln⎜ ⎜ p( x ω ).P(ω ) ⎟ 2 2 ⎠ ⎝ zprůměrněná Patrickova-Fisherova vzdálenost
[
JPF =
]
∫ [p(x ω ).P(ω ) − p(x ω ).P(ω )]
¨2
1
1
2
2
.dx
© Institut biostatistiky a analýz
PRAVDĚPODOBNOSTNÍ METRIKY uvedené výrazy se liší zejména pracností výpočtu a vazbou k hodnotám chybné klasifikace. Tato vazba je vyjádřena hodnotami D(x) a H(x) – dolním a horním odhadem pravděpodobnosti chybného zařazení. HC ( x ) = min Jc (s) 0 ≤ s ≤1
HB ( x ) = JB
V případě, že známe dichotomické pravděpodobnostní míry a je třeba řešit problém klasifikace do více tříd, lze definovat kritérium, např. podle vztahu R
J( x ) = ∑
R
∑ P(ω ).P(ω ).J
r =1 q=r +1
r
q
rq
(x )
© Institut biostatistiky a analýz
PRAVDĚPODOBNOSTNÍ METRIKY základní nevýhodou pravděpodobnostních metrik je požadavek na znalost hustot pravděpodobnosti a jejich integrace (numerické?) za určitých předpokladů o typu rozložení mohou být tyto vztahy integrovány analyticky
© Institut biostatistiky a analýz
PRAVDĚPODOBNOSTNÍ METRIKY za předpokladu normálního rozložení (μi jsou střední hodnoty a Σi kovarianční matice) Chernoffova vzdálenost
⎞ Σs 1 1 ⎛⎜ T −1 ⎟, JC = s(1 − s)(μ2 − μ1 ) Σs (μ2 − μ1 ) + ln 1 − s s 2 2 ⎜ Σs Σs ⎟ ⎝ ⎠ kde Σ = (1-s).Σ + s.Σ s
1
s ∈ 0;1
2
Bhattacharyyova vzdálenost je pro s=0,5 Divergence 1 JD = (μ2 − μ1 )T (Σ1−1 + Σ2−1 )(μ2 − μ1 ) + Tr (Σ1−1Σ2 + Σ1Σ2−1 − 2I) 2 1 1 − Patrickova-Fisherova vzdálenost JPF = [ 2Σ1 2 + 2Σ2 ( 2π )
− 2 Σ1 + Σ2
−
1 2
−
1 2
−
⎧ 1 ⎫ −1 T . exp⎨− (μ2 − μ1 ) (Σ1 + Σ2 ) (μ2 − μ1 )⎬] ⎩ 2 ⎭ © Institut biostatistiky a analýz
PRAVDĚPODOBNOSTNÍ METRIKY pokud Σ1 = Σ2 = Σ, pak se vztahy pro Bhattacharyyovu a divergenční vzdálenost zjednoduší na JM = JD = 8JB = (μ2 − μ1 )T Σ −1(μ2 − μ1 ),
což je výraz pro Mahalanobisovu vzdálenost.
© Institut biostatistiky a analýz
Příprava nových učebních materiálů oboru Matematická biologie je podporována projektem ESF č. CZ.1.07/2.2.00/07.0318
„VÍCEOBOROVÁ INOVACE STUDIA MATEMATICKÉ BIOLOGIE“
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ © Institut biostatistiky a analýz