Bài giảng Trí tuệ nhân tạo - Nguyễn Thị Thúy Loan
Tóm tắt Bài giảng Trí tuệ nhân tạo - Nguyễn Thị Thúy Loan: ...n) + chi phí từ n đến S Sử dụng tri thức bổ sung ước lượng h(S) f(S) = g(S) + h(S) B4: Quay lại B2. 6/8/2010 Nguyễn Thị Thúy Loan 92 Ví dụ tháp hà nội ? A B C 6/8/2010 Nguyễn Thị Thúy Loan 93 Với N = 3 Hàm h (heuristic) = Số lần ít nhất phải di chuyển đĩa để đạt trạng thái đích (chỉ...i quyết 6/8/2010 Nguyễn Thị Thúy Loan 147 TH2: Giả sử ban đầu các máy đều chưa thực hiện công việc nào và có công suất khác nhau. Thuật giải? Ví dụ: cho n = 8 và T = {10, 6, 16, 12, 2, 4, 2, 8}, m = 3 với công suất máy 2 nhanh gấp đôi máy 1 và máy 3 (giả sử thời gian ở trên được tính.../8/2010 Nguyễn Thị Thúy Loan 199 Ví dụ 6/8/2010 Nguyễn Thị Thúy Loan 200 Ví dụ 6/8/2010 Nguyễn Thị Thúy Loan 201 Là phương pháp biểu diễn tri thức bằng đồ thị Các đối tượng Các mối liên hệ Đỉnh Cung Ví dụ: Chích Chòe Hót Tổ Cánh Chim là biết làm có Đỉnh Cung Mạng ngữ nghĩa 6/8/20...
192 Vương Hạo – Nhận xét Vương Hạo dựa vào phương pháp chia để trị nhằm giải quyết bài toán. Mục đích là chia nhỏ vấn đề để giải quyết một cách độc lập và sau đó tổng hợp kết quả. Độ phức tạp của thuật toán tùy thuộc vào số phép tuyển tồn tại trong KB. 6/8/2010 Nguyễn Thị Thúy Loan 193 Suy diễn trong logic mệnh đề Suy diễn tiến: Kích hoạt các luật mà vế trái thỏa trong KB. Bổ sung phần kết luận vào KB cho đến khi tìm thấy kết luận cần tìm. 6/8/2010 Nguyễn Thị Thúy Loan 194 Ví dụ 6/8/2010 Nguyễn Thị Thúy Loan 195 Ví dụ 6/8/2010 Nguyễn Thị Thúy Loan 196 Ví dụ 6/8/2010 Nguyễn Thị Thúy Loan 197 Ví dụ 6/8/2010 Nguyễn Thị Thúy Loan 198 Ví dụ 6/8/2010 Nguyễn Thị Thúy Loan 199 Ví dụ 6/8/2010 Nguyễn Thị Thúy Loan 200 Ví dụ 6/8/2010 Nguyễn Thị Thúy Loan 201 Là phương pháp biểu diễn tri thức bằng đồ thị Các đối tượng Các mối liên hệ Đỉnh Cung Ví dụ: Chích Chòe Hót Tổ Cánh Chim là biết làm có Đỉnh Cung Mạng ngữ nghĩa 6/8/2010 Nguyễn Thị Thúy Loan 202 Ví dụ về mạng tam giác Nêu bài toán: Trong tam giác cho 3 yếu tố (không đồng thời 3 đỉnh). Tìm một yếu tố còn lại nào đó? Ví dụ: Trong tam giác cho góc A, B và cạnh c. Tìm diện tích S? 6/8/2010 Nguyễn Thị Thúy Loan 203 Cách xây dựng: 1. Đỉnh: Có 2 loại đỉnh a. Đỉnh hình tròn: chứa các biến hay các yếu tố liên quan đến cạnh và góc của tam giác. b. Đỉnh hình chữ nhật: chứa các công thức 2. Cung: Nối giữa đỉnh hình tròn và đỉnh hình chữ nhật cho biết biến nào nằm trong công thức nào. Ví dụ về mạng tam giác 6/8/2010 Nguyễn Thị Thúy Loan 204 Mô hình: Trong tam giác cho các công thức 1. A + B + C = 1800 2. a*sinB = b*sinA 3. b * sinC = c * sinB 4. p = (a + b + c)/2 5. hc = a*sinB 6. S = hc*c/2 7. S = Trong đó: A, B, C là 3 góc trong của tam giác; a, b, c là 3 cạnh của tam giác. ))()(( cpbpapp Ví dụ về mạng tam giác 6/8/2010 Nguyễn Thị Thúy Loan 205 Xây dựng mô hình MNN Xác định đỉnh: có 16 đỉnh trong đó có 9 đỉnh hình tròn (9 biến!?) và 7 đỉnh hình chữ nhật (7 công thức). 6/8/2010 Nguyễn Thị Thúy Loan 206 A + B + C – 180=0 a*sinB – b*sinA=0 hc – a*sinB=0 b*sinC – c*sinB=0 S – hc*c/2=0p – (a+b+c)/2=0 S– =0))()(( cpbpapp A B C a b hc c p S 6/8/2010 Nguyễn Thị Thúy Loan 207 Cơ chế suy diễn MNN 1. Kích hoạt các biến đã cho ban đầu. 2. Các biến được kích hoạt sẽ truyền động theo cung dẫn đến các đỉnh khác. 3. Đỉnh hình chữ nhật được kích hoạt khi có n – 1 cung trong số n cung có liên hệ với nó được kích hoạt. 4. Đỉnh hình tròn được kích hoạt khi đỉnh hình chữ nhật có cung liên hệ với nó được kích hoạt. 6/8/2010 Nguyễn Thị Thúy Loan 208 A + B + C – 180=0 a*sinB – b*sinA=0 hc – a*sinB=0 b*sinC – c*sinB=0 S – hc*c/2=0p – (a+b+c)/2=0 S– =0))()(( cpbpapp A B C a b hc c p S c c/ 6/8/2010 Nguyễn Thị Thúy Loan 209 MNN – Một số câu hỏi 1. Khi nào thất bại? 2. Làm thế nào để tìm được tất cả các lời giải? 3. Lời giải ngắn nhất (số công thức được áp dụng là ít nhất)? ThS. Nguyễn Thị Thúy Loan Chương IV PHÂN LỚP VÀ DỰ ĐOÁN 6/8/2010 Nguyễn Thị Thúy Loan 211 NỘI DUNG Phân lớp và dự đoán? Các vấn đề về phân lớp và dự đoán Quy nạp trên cây quyết định Các phương pháp phân lớp khác 6/8/2010 Nguyễn Thị Thúy Loan 212 Phân lớp là gì?Dự đoán là gì? Có thể dùng phân lớp và dự đoán để xác lập mô hình nhằm mô tả các lớp quan trọng hay dự đoán khuynh hướng dữ liệu trong tương lai Phân lớp (classification): Tạo ra bộ phân lớp/ mô hình. Dự đoán (prediction): Dựa vào bộ phân lớp để dự đoán nhãn của các mẫu chưa biết nhãn. 6/8/2010 Nguyễn Thị Thúy Loan 213 Phân lớp dữ liệu là tiến trình có 2 bước Huấn luyện: Dữ liệu huấn luyện được phân tích bởi thuật toán phân lớp (có thuộc tính nhãn lớp) để tạo ra bộ phân lớp. Phân lớp: Dữ liệu kiểm tra được dùng để ước lượng độ chính xác của bộ phân lớp. Nếu độ chính xác là chấp nhận được thì có thể dùng bộ phân lớp để phân lớp các mẫu dữ liệu mới. Phân lớp là gì?Dự đoán là gì? 6/8/2010 Nguyễn Thị Thúy Loan 214 Phân lớp là gì?Dự đoán là gì? 6/8/2010 Nguyễn Thị Thúy Loan 215 Độ chính xác (accuracy) của bộ phân lớp trên tập kiểm tra cho trước là phần trăm của các mẫu trong tập kiểm tra được bộ phân lớp xếp lớp đúng sampletest ofnumber total sampletest classifiedcorrectly Accuracy Phân lớp là gì?Dự đoán là gì? 6/8/2010 Nguyễn Thị Thúy Loan 216 Chuẩn bị dữ liệu Làm sạch dữ liệu o Nhiễu o Thiếu giá trị Phân tích liên quan (chọn đặc trưng) o Các thuộc tính không liên quan o Các thuộc tính dư thừa Biến đổi dữ liệu So sánh các phương pháp phân lớp Độ chính xác của dự đoán: khả năng bộ phân lớp dự đoán đúng dữ liệu chưa biết trước nhãn Tính bền vững: khả năng của bộ phân lớp thực hiện dự đoán đúng với dữ liệu nhiễu hay thiếu giá trị Tính kích cỡ (scalability): khả năng tạo bộ phân lớp hiệu quả với số lượng dữ liệu lớn Khả năng diễn giải: bộ phân lớp cung cấp tri thức có thể hiểu được 6/8/2010 Nguyễn Thị Thúy Loan 218 CÂY QUYẾT ĐỊNH 6/8/2010 Nguyễn Thị Thúy Loan 219 Cây quyết định Cây quyết định là cấu trúc cây sao cho: Mỗi nút trong ứng với một phép kiểm tra trên một thuộc tính Mỗi nhánh biểu diễn kết quả phép kiểm tra Các nút lá biểu diễn các lớp hay các phân bố lớp Nút cao nhất trong cây là nút gốc. 6/8/2010 Nguyễn Thị Thúy Loan 220 Ví dụ Cây quyết định: có mua computer? Dựa vào các thuộc tính tuổi, sinh viên, uy tín. 6/8/2010 Nguyễn Thị Thúy Loan 221 Sườn chung về quy nạp trên cây quyết định 6/8/2010 Nguyễn Thị Thúy Loan 222 1. Chọn thuộc tính “tốt nhất” theo một độ đo chọn lựa cho trước 2. Mở rộng cây bằng cách thêm các nhánh mới cho từng giá trị thuộc tính 3. Sắp xếp các ví dụ học vào nút lá 4. Nếu các ví dụ được phân lớp rõ thì Stop ngược lại lặp lại các bước 1-4 cho mỗi nút lá 5. Tỉa các nút lá không ổn định Headache Temperature Flu e1 yes normal no e2 yes high yes e3 yes very high yes e4 no normal no e5 no high no e6 no very high no Temperature yes Headache normal high very high Headacheno no yes no yes {e2} no{e5} yes {e3} no {e6} {e1, e4} {e2, e5} {e3,e6} 6/8/2010 Nguyễn Thị Thúy Loan 223 Chiến lược cơ bản Bắt đầu từ nút đơn biểu diễn tất cả các mẫu Nếu các mẫu thuộc về cùng một lớp, nút trở thành nút lá và được gán nhãn bằng lớp đó Ngược lại, dùng độ đo thuộc tính để chọn thuộc tính sẽ phân tách tốt nhất các mẫu vào các lớp Một nhánh được tạo cho từng giá trị của thuộc tính được chọn và các mẫu được phân hoạch theo Dùng đệ quy cùng một quá trình để tạo cây quyết định Tiến trình kết thúc chỉ khi bất kỳ điều kiện nào sau đây là đúng o Tất cả các mẫu cho một nút cho trước đều thuộc về cùng một lớp. o Không còn thuộc tính nào mà mẫu có thể dựa vào để phân hoạch xa hơn. o Không còn mẫu nào cho nhánh test_attribute = ai Chiến lược cơ bản Bảng dữ liệu huấn luyện Day Outlook Temp Humidity Wind PlayTennis D1 Sunny Hot High Weak No D2 Sunny Hot High Strong No D3 Overcast Hot High Weak Yes D4 Rain Mild High Weak Yes D5 Rain Cool Normal Weak Yes D6 Rain Cool Normal Strong No D7 Overcast Cool Normal Strong Yes D8 Sunny Mild High Weak No D9 Sunny Cool Normal Weak Yes D10 Rain Mild Normal Weak Yes D11 Sunny Mild Normal Strong Yes D12 Overcast Mild High Strong Yes D13 Overcast Hot Normal Weak Yes D14 Rain Mild High Strong No 6/8/2010 Nguyễn Thị Thúy Loan 226 Cây quyết định chơi Tennis temperature sunny rain o’cast {D9} {D5, D6} {D7} outlook outlookwind cool hot mild {D5, D6, D7, D9} {D1, D2, D3, D13} {D4, D8, D10, D11,D12, D14} true false {D2} {D1, D3, D13} true false {D5} {D6} wind high normal {D1, D3} {D3} humidity sunny rain o’cast {D1} {D3} outlook sunny o’cast rain {D8, D11} {D12} {D4, D10,D14} true false {D11} {D8} windyes yes no yes yesno null yes no yes high normal {D4, D14} {D10} humidity yes true false {D14} {D4} wind no yes noyes 6/8/2010 Nguyễn Thị Thúy Loan 227 Cây quyết định đơn giản sunny o’cast rain {D1, D2, D8 {D3, D7, D12, D13} {D4, D5, D6, D10, D14} D9, D11} outlook high normal {D1, D2, D8} {D9, D10} humidity no yes yes true false {D6, D14} {D4, D5, D10} wind no yes Cây sẽ đơn giản hơn nếu “outlook” được chọn làm gốc. Cách chọn thuộc tính tốt để tách nút quyết định? Thuộc tính nào là tốt nhất [29+, 35 -] [21+, 5-] [8+, 30 -] A1 = ? [29+, 35 -] [18+, 33-] [11+, 2-] A2 = ? Nút quyết định S có 29 mẫu thuộc lớp cộng (+) và 35 mẫu thuộc lớp trừ (-), ta ký hiệu là [29+, 35-] Nếu các thuộc tính A1 và A2 (mỗi thuộc tính có 2 giá trị) tách S thành các nút con với tỷ lệ của mẫu dương và mẫu âm như sau, thuộc tính nào là tốt hơn? 6/8/2010 Nguyễn Thị Thúy Loan 229 Độ đo V(Quinlan) 6/8/2010 Nguyễn Thị Thúy Loan 230 Outlook(O): V(O=Sunny) = (2/5,3/5) V(O=Overcast)=(4/4,0/4)=(1,0) V(O=Rain)=(3/5,2/5) Temp(T): V(T=Hot) = (2/4,2/4) V(T=Cool)=(3/4,1/4) V(T=Mild)=(4/6,2/6) Humidity(H): V(H=High) = (3/7,4/7) V(H=Normal)=(6/7,1/7) Wind(W): V(W=Weak) = (6/8,2/8) V(W=Strong)=(3/6,3/6) Day Outloook Temp Humidity Wind PlayTennis D1 Sunny Hot High Weak No D2 Sunny Hot High Strong No D3 Overcast Hot High Weak Yes D4 Rain Mild High Weak Yes D5 Rain Cool Normal Weak Yes D6 Rain Cool Normal Strong No D7 Overcast Cool Normal Strong Yes D8 Sunny Mild High Weak No D9 Sunny Cool Normal Weak Yes D10 Rain Mild Normal Weak Yes D11 Sunny Mild Normal Strong Yes D12 Overcast Mild High Strong Yes D13 Overcast Hot Normal Weak Yes D14 Rain Mild High Strong No Chọn Outlook vì có nhiều vectơ đơn vị nhất. 6/8/2010 Nguyễn Thị Thúy Loan 231 Độ đo V {D1, D2, ..., D14} [9+, 5-] Outlook Sunny Overcast Rain {D1, D2, D8, D9, D11} [2+, 3-] {D3, D7, D12, D13} [4+, 0-] {D4, D5, D6, D10, D14} [3+, 2-] ? Yes ? Cây quyết định cuối cùng Sunny Overcast Rain {D1, D2, D8 {D3, D7, D12, D13} {D4, D5, D6, D10, D14} D9, D11} Outlook high normal {D1, D2, D8} {D9, D10} Humidity no yes yes Strong Weak {D6, D14} {D4, D5, D10} Wind no yes Từ cây ta có 5 luật: 1.If Outlook = Overcast then Yes 2.If Outlook = Sunny and Humidity = High then No 3.If Outlook = Sunny and Humidity = Normal then Yes 4.If Outlook = Rain and Wind = Strong then No 5.If Outlook = Rain and Wind= Weak then Yes Day Temp Humidity Wind PlayTennis D1 Hot High Weak No D2 Hot High Strong No D8 Mild High Weak No D9 Cool Normal Weak Yes D11 Mild Normal Strong Yes 4 Mild Yes 5 Cool Normal Weak Yes 6 Cool Normal Strong D10 Mild Nor al eak Yes D14 ild High Strong No 6/8/2010 Nguyễn Thị Thúy Loan 233 Entropy Entropy đặc trưng độ hỗn tạp (tinh khiết) của tập bất kỳ các ví dụ. S là tập các mẫu thuộc lớp âm và lớp dương P là tỷ lệ các mẫu thuộc lớp dương trong S p là tỷ lệ các mẫu thuộc lớp âm trong S Entropy(S) = -p log2p -p log2p 6/8/2010 Nguyễn Thị Thúy Loan 234 Ví dụ Từ 14 mẫu của bảng Play-Tennis, 9 thuộc lớp dương và 5 mẫu âm (ký hiệu là [9+, 5-]) Entropy([9+, 5-] ) = - (9/14)log2(9/14) - (5/14)log2(5/14) = 0.940 6/8/2010 Nguyễn Thị Thúy Loan 235 Lưu ý: 1. Entropy là 0 nếu tất cả các thành viên của S đều thuộc về cùng một lớp. Ví dụ, nếu tất cả các thành viên đều thuộc về lớp dương thì : Entropy(S) = -N/N. log2(N/N) - 0 = -1.0 – 0 = 0 (N là số mẫu). 2. Entropy là 1 nếu tập hợp chứa số lượng bằng nhau các thành viên thuộc lớp dương và lớp âm. Nếu các số này là khác nhau, entropy sẽ nằm giữa 0 và 1. Ví dụ 6/8/2010 Nguyễn Thị Thúy Loan 236 INFORMATION GAIN (CÂY ĐỊNH DANH) Information Gain Ta định nghĩa độ đo information gain, phản ánh mức độ hiệu quả của một thuộc tính trong phân lớp. Đó là sự rút giảm mong muốn của entropy gây ra bởi sự phân hoạch các ví dụ theo thuộc tính này. Giá trị Value(A) là tập các giá trị có thể cho thuộc tính A, và Sv là tập con của S mà A nhận giá trị v. )Entropy(S S S Entropy(S)A)Gain(S, v Value(A)v v 6/8/2010 Nguyễn Thị Thúy Loan 238 Values(Wind) = {Weak, Strong}, S = [9+, 5-] Sweak là nút con với trị “weak” là [6+, 2-] Sstrong là nút con với trị “strong”, là [3+, 3-] Gain(S, Wind) = Entropy(S) - )Entropy(S S S Strong} {Weak,v v v = Entropy(S) - (8/14)Entropy(Sweak) - (6/14)Entropy(SStrong) = 0.940 - (8/14)0.811 - (6/14)1.00 = 0.048 Information Gain 6/8/2010 Nguyễn Thị Thúy Loan 239 239 Thuộc tính nào là phân lớp tốt nhất? S:[9+, 5-] E = 0.940 Humidity High Normal [3+, 4-] [6+, 1-] E = 0.985 E = 0.592 Gain(S, Humidity) = .940 - (7/14).985 - (7/14).592 = .151 S:[9+, 5-] E = 0.940 Wind Weak Strong [6+, 2-] [3+, 3-] E = 0.811 E = 1.00 Gain(S, Wind) = .940 - (8/14).811 - (6/14)1.00 = .048 6/8/2010 Nguyễn Thị Thúy Loan 240 Information Gain của tất cả các thuộc tính Gain (S, Outlook) = 0.246 Gain (S, Humidity) = 0.151 Gain (S, Wind) = 0.048 Gain (S, Temperature) = 0.029 Chọn 6/8/2010 Nguyễn Thị Thúy Loan 241 Bước kế tiếp trong tiến trình tăng trưởng trên cây quyết định {D1, D2, ..., D14} [9+, 5-] Outlook Sunny Overcast Rain {D1, D2, D8, D9, D11} [2+, 3-] {D3, D7, D12, D13} [4+, 0-] {D4, D5, D6, D10, D14} [3+, 2-] ? Yes ? 6/8/2010 Nguyễn Thị Thúy Loan 242 Bước kế tiếp trong tiến trình tăng trưởng trên cây quyết định Thuộc tính nào cần được kiểm tra? Ssunny = {D1, D2, D3, D9, D11} Gain(Ssunny, Humidity) = .970 - (3/5)0.0 - (2/5)0.0 = 0.970 Gain(Ssunny, Temperature) = .970 - (2/5)0.0 - (2/5)1.0 - (1/5)0.0 = 0.570 Gain(Ssunny, Wind) = .970 - (2/5)1.0 - (3/5)0.918 = 0.019 6/8/2010 Nguyễn Thị Thúy Loan 243 Điều kiện dừng 1. Từng thuộc tính đã được đưa vào dọc theo con đường trên cây. 2. Các mẫu huấn luyện ứng với nút lá có cùng giá trị thuộc tính đích (chẳng hạn, chúng có entropy bằng 0). Lưu ý: Thuật toán ID3 dùng Information Gain và C4.5, thuật toán được phát triển sau nó, dùng Gain Ratio (một biến thể của Information Gain) 6/8/2010 Nguyễn Thị Thúy Loan 244 Thuật giải Học Quy nạp (ILA: Inductive Learning Algorithm) 6/8/2010 Nguyễn Thị Thúy Loan 245 ILA 1. Chia bảng con có chứa m mẫu thành n bảng con. Một bảng con ứng với một giá trị của thuộc tính phân lớp. (Lặp lại từ bước 2 đến bước 8 cho mỗi bảng con). 2. Khởi tạo số lượng thuộc tính kết hợp j với j =1. 6/8/2010 Nguyễn Thị Thúy Loan 246 3. Với mỗi bảng con đang xét, phân chia các thuộc tính của nó thành một danh sách các thuộc tính kết hợp, mỗi thành phần của danh sách có j thuộc tính phân biệt. ILA 6/8/2010 Nguyễn Thị Thúy Loan 247 ILA 4. Với mỗi kết hợp các thuộc tính trong danh sách trên, đếm số lần xuất hiện các giá trị cho các thuộc tính trong kết hợp đó ở các dòng chưa bị khóa của bảng đang xét nhưng nó không được xuất hiện cùng giá trị ở những bảng con khác. Chọn ra một kết hợp trong danh sách sao cho nó có giá trị tương ứng xuất hiện nhiều nhất và được gọi là Max_combination. 6/8/2010 Nguyễn Thị Thúy Loan 248 ILA 5. Nếu Max_combination =0 thì j = j+1 quay lại bước 3. 6. Khóa các difng ở bảng con đang xét mà tại đó giá trị bằng với giá trị tạo ra max_combination. 6/8/2010 Nguyễn Thị Thúy Loan 249 ILA 7. Thêm vào R luật mới với giả thuyết là các giá trị tạo ra Max_combination kết nối các bộ này bằng phép AND, kết luận là giá trị của thuộc tính quyết định trong bảng con đang xét. 6/8/2010 Nguyễn Thị Thúy Loan 250 ILA 8. Nếu tất cả các dòng đều khóa: o Nếu còn bảng con thì qua bảng con tiếp theo và quay lại bước 2. o Ngược lại chấm dứt thuật toán. Ngược lại thì quay lại bước 4. 6/8/2010 Nguyễn Thị Thúy Loan 251 STT Kích cỡ Màu sắc Hình dáng Quyết định 1 Vừa Xanh dương Hộp Mua 2 Nhỏ Đỏ Nón Không mua 3 Nhỏ Đỏ Cầu Mua 4 Lớn Đỏ Nón Không mua 5 Lớn Xanh lá Trụ Mua 6 Lớn Đỏ Trụ Không mua 7 Lớn Xanh lá Cầu Mua Ví dụ minh họa ILA 6/8/2010 Nguyễn Thị Thúy Loan 252 STT Kích cỡ Màu sắc Hình dáng Quyết định 1 Vừa Xanh dương Hộp Mua 3 Nhỏ Đỏ Cầu Mua 5 Lớn Xanh lá Trụ Mua 7 Lớn Xanh lá Cầu Mua STT Kích cỡ Màu sắc Hình dáng Quyết định 2 Nhỏ Đỏ Nón Không mua 4 Lớn Đỏ Nón Không mua 6 Lớn Đỏ Trụ Không mua Ví dụ minh họa ILA 6/8/2010 Nguyễn Thị Thúy Loan 253 253 Xét bảng con 1 STT Kích cỡ Màu sắc Hình dáng Quyết định 1 Vừa Xanh dương Hộp Mua 3 Nhỏ Đỏ Cầu Mua 5 Lớn Xanh lá Trụ Mua 7 Lớn Xanh lá Cầu Mua STT Kích cỡ Màu sắc Hình dáng Quyết định 2 Nhỏ Đỏ Nón Không mua 4 Lớn Đỏ Nón Không mua 6 Lớn Đỏ Trụ Không mua Bước 2: j = 1 Bước 3: các kết hợp có 1 thuộc tính là [kích cỡ], [màu sắc], [hình dáng] Bước 4: Đếm các giá trị [kích cỡ] = {{vừa}:1} [màu sắc] = {{xanh dương}:1, {xanh lá}:2} [hình dáng] = {{hộp}:1, {cầu}:2} Vậy: max_com = 2 tương ứng với màu sắc = xanh lá Bước 6: Khóa các dòng có STT là 5,7 Bước 7: Tạo ra luật R1: IF màu sắc = xanh lá THEN Quyết định = Mua Bước 8: Quay lại bước 4 6/8/2010 Nguyễn Thị Thúy Loan 254 254 STT Kích cỡ Màu sắc Hình dáng Quyết định 1 Vừa Xanh dương Hộp Mua 3 Nhỏ Đỏ Cầu Mua 5 Lớn Xanh lá Trụ Mua 7 Lớn Xanh lá Cầu Mua STT Kích cỡ Màu sắc Hình dáng Quyết định 2 Nhỏ Đỏ Nón Không mua 4 Lớn Đỏ Nón Không mua 6 Lớn Đỏ Trụ Không mua Bước 4: Đếm các giá trị [kích cỡ] = {{vừa}:1} [màu sắc] = {{xanh dương}:1} [hình dáng] = {{hộp}:1, {cầu}:1} Vậy: max_com = 1 tương ứng với kích cỡ = vừa Bước 6: Khóa dòng có STT là 1 Bước 7: Tạo ra luật R2: IF kích cỡ = vừa THEN Quyết định = Mua Bước 8: Quay lại bước 4 Xét bảng con 1 6/8/2010 Nguyễn Thị Thúy Loan 255 255 STT Kích cỡ Màu sắc Hình dáng Quyết định 1 Vừa Xanh dương Hộp Mua 3 Nhỏ Đỏ Cầu Mua 5 Lớn Xanh lá Trụ Mua 7 Lớn Xanh lá Cầu Mua ST T Kích cỡ Màu sắc Hình dáng Quyết định 2 Nhỏ Đỏ Nón Không mua 4 Lớn Đỏ Nón Không mua 6 Lớn Đỏ Trụ Không mua Bước 4: Đếm các giá trị [kích cỡ] = {} [màu sắc] = {} [hình dáng] = {{cầu}:1} Vậy: max_com = 1 tương ứng với Hình dáng= cầu Bước 6: Khóa dòng có STT là 3 Bước 7: Tạo ra luật R3: IF hình dáng = cầu THEN Quyết định = Mua Bước 8: tất cả các dòng đều bị khóa, xét bảng con kế Xét bảng con 1 6/8/2010 Nguyễn Thị Thúy Loan 256 256 STT Kích cỡ Màu sắc Hình dáng Quyết định 1 Vừa Xanh dương Hộp Mua 3 Nhỏ Đỏ Cầu Mua 5 Lớn Xanh lá Trụ Mua 7 Lớn Xanh lá Cầu Mua ST T Kích cỡ Màu sắc Hình dáng Quyết định 2 Nhỏ Đỏ Nón Không mua 4 Lớn Đỏ Nón Không mua 6 Lớn Đỏ Trụ Không mua Bước 2: j = 1 Bước 3: các kết hợp có 1 thuộc tính là [kích cỡ], [màu sắc], [hình dáng] Bước 4: Đếm các giá trị [kích cỡ] = {} [màu sắc] = {} [hình dáng] = {{nón}:2} Vậy: max_com = 2 tương ứng với hình dáng = nón Bước 6: Khóa các dòng có STT là 2,4 Bước 7: Tạo ra luật R4: IF hình dáng = nón THEN QĐ = Không mua Bước 8: Quay lại bước 4 Xét bảng con 2 6/8/2010 Nguyễn Thị Thúy Loan 257 STT Kích cỡ Màu sắc Hình dáng Quyết định 1 Vừa Xanh dương Hộp Mua 3 Nhỏ Đỏ Cầu Mua 5 Lớn Xanh lá Trụ Mua 7 Lớn Xanh lá Cầu Mua ST T Kích cỡ Màu sắc Hình dáng Quyết định 2 Nhỏ Đỏ Nón Không mua 4 Lớn Đỏ Nón Không mua 6 Lớn Đỏ Trụ Không mua Bước 4: Đếm các giá trị [kích cỡ] = {}; [màu sắc] = {}; [hình dáng] ={} Vậy: max_com = 0 Bước 5: Do max_com = 0 nên j = 2 và quay lại bước 3 Bước 3: Các kết hợp có 2 thuộc tính là [kích cỡ, màu sắc], [kích cỡ, hình dáng], [màu sắc, hình dáng] Bước 4: Đếm số lần xuất hiện của các giá trị [kích cỡ, màu sắc] = {{lớn, đỏ}:1} [kích cỡ, hình dáng] = {} [màu sắc, hình dáng] = {{đỏ, trụ}:1} max_com = 1 ứng với kích cỡ = lớn và màu sắc = đỏ Xét bảng con 2 6/8/2010 Nguyễn Thị Thúy Loan 258 258 STT Kích cỡ Màu sắc Hình dáng Quyết định 1 Vừa Xanh dương Hộp Mua 3 Nhỏ Đỏ Cầu Mua 5 Lớn Xanh lá Trụ Mua 7 Lớn Xanh lá Cầu Mua ST T Kích cỡ Màu sắc Hình dáng Quyết định 2 Nhỏ Đỏ Nón Không mua 4 Lớn Đỏ Nón Không mua 6 Lớn Đỏ Trụ Không mua Bước 4: Đếm số lần xuất hiện của các giá trị [kích cỡ, màu sắc] = {{lớn, đỏ}:1} [kích cỡ, hình dáng] = {} [màu sắc, hình dáng] = {{đỏ, trụ}:1} max_com = 1 ứng với kích cỡ = lớn và màu sắc = đỏ Bước 6: Khóa dòng có STT = 6 Bước 7: Tạo ra luật R5: IF Kích cỡ = lớn AND Màu sắc = đỏ THEN Quyết định = Không mua Bước 8: Tất cả các dòng đều khóa, ngừng thuật toán Xét bảng con 2
File đính kèm:
- bai_giang_tri_tue_nhan_tao_nguyen_thi_thuy_loan.pdf