Sei sulla pagina 1di 119

Elementi di teoria

bayesiana della
decisione
Teoria bayesiana della decisione
Classificazione cost-sensitive
Regola di rigetto
La curva ROC
Teoria bayesiana della
decisione: caratteristiche
 La teoria bayesiana della decisione è un approccio
statistico fondamentale al problema del pattern
recognition.
 Il suo obiettivo è quello di confrontare
quantitativamente diverse decisioni di
classificazione utilizzando le probabilità ed i costi
cha accompagnano tali decisioni.
 Assunzioni fondamentali:
 il problema della decisione è posto in termini
probabilistici
 sono noti i valori di tutte le probabilità rilevanti per il
problema
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 1 di Cassino
Fondamenti
 Consideriamo un problema a C classi, con etichette
ωj con j=1,2,…,C.
 Etichettiamo con αi i=1,2,…,a le decisioni che è
possibile prendere.
 Supponiamo di conoscere la probabilità P(ωj) che un
campione appartenga ad una certa classe
(probabilità a priori).
 Conosciamo inoltre la funzione di costo (loss
function) λ(αi| ωj) che descrive il costo indotto
dall’aver preso la decisione αi quando il campione
appartiene alla classe ωj.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 2 di Cassino
 Se non avessimo altre informazioni, la regola
di decisione sarebbe basata interamente
sulle P(ωj).
 Supponiamo, invece, di poter utilizzare un
feature vector N-dimensionale x che, in
questo ambito, è formalizzabile come una
variabile aleatoria N-dimensionale.
 Conosciamo inoltre la funzione di densità di
probabilità condizionata alla classe p(x| ωj).
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 3 di Cassino
Un esempio di densità di probabilità condizionate alle classi
con C=2.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 4 di Cassino
Teorema di Bayes
 A partire dalle conoscenze descritte,
vorremmo stabilire quale sia la probabilità
P(ωj|x) (probabilità a posteriori )che il
campione descritto da un feature vector x
appartenga alla classe ωj.
 E’ possibile ottenere questa informazione
grazie al teorema di Bayes per cui:
p( x ω j ) ⋅ P(ω j ) C
P(ω j x ) =
p(x)
dove p(x) = ∑ p( x ω j ) ⋅ P(ω j )
j =1
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 5 di Cassino
Teorema di Bayes
Grazie al teorema di Bayes, è
possibile risalire alla
probabilità che il feature vector
osservato x sia stato prodotto
da un campione appartenente
alla classe ωj (prob. a
posteriori) a partire dalla
probabilità a priori P(ωj) e dalle Rev. Thomas Bayes
verosimiglianze p(x| ωj). b. 1702, London
d. 1761, Tunbridge Wells,
Kent
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 6 di Cassino
Teorema di Bayes
 Possiamo esprimere informalmente la
formula di Bayes come:

Prob. a posteriori=(prob. a priori) x verosimiglianza


evidenza
 In questo modo è chiaro come la conoscenza del
valore (misura) x influisce sul nostro giudizio a
proposito dello stato di natura

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 7 di Cassino
Le probabilità a posteriori relative alle due classi viste prima,
assumendo P(ω1)=2/3 e P(ω2)=1/3 .
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 8 di Cassino
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 9 di Cassino
Decisione
 La decisione tende naturalmente verso la
classe cui compete la probabilità a posteriori
maggiore:
Decidi ω1 se P(ω1|x) > P(ω2|x)
altrimenti decidi ω2
 Questa regola di fatto minimizza la probabilità
di errore:
P(errore|x)=min{P(ω1|x) , P(ω2|x)}
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 10 di Cassino
Decisione
 Da un punto di vista operativo, l’evidenza non entra
in gioco nella decisione che può quindi ridursi a:
Decidi ω1 se p(x|ω1)P(ω1) > p(x|ω2)P(ω2)
altrimenti decidi ω2

 Situazioni particolari:
 se p(x|ω1) = p(x|ω2) l’osservazione del valore x non
fornisce informazioni riguardo lo stato di natura ulteriori
rispetto alle prob. a priori
 se P(ω1) = P(ω2) la decisione tiene conto solo della
verosimiglianza
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 11 di Cassino
Il costo atteso
 A fronte dell’osservazione di un f.v. x, qual è
il costo che dobbiamo aspettarci nel caso
prendiamo una decisione αi ?
 Tale costo (che va sotto il nome di rischio
condizionale, conditional risk) viene valutato
come:
C
R(αi x ) = ∑ λ(αi ω j ) ⋅ P(ω j x )
j=1

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 12 di Cassino
La regola di decisione
 Una regola di decisione è una funzione α(x)
che indica quale azione intraprendere per
ogni possibile valore di x osservato.
 In questo contesto, la regola di decisione
ottima è quella per cui si ha il minimo rischio
condizionale:

α(x) = argmin R(αi x )


1≤ j≤C

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 13 di Cassino
Regioni di decisione

La regola di
decisione induce
R1
nello spazio delle
fatures un insieme
R2
di regioni di
decisione.
R3
x∈Ri ⇔ α(x) = αi
R1

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 14 di Cassino
Problemi a due classi
 Nel caso particolare di problemi a due classi,
indichiamo con αi la decisione per la classe
ωi con i=1,2.
 Definiamo λij= λ(αi|ωj ). I rischi condizionali
sono:
R(α1|x)= λ11P(ω1|x)+ λ12P(ω2|x)
R(α2|x)= λ21P(ω1|x)+ λ22P(ω2|x)

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 15 di Cassino
Problemi a due classi
 Scegliamo ω1 se R(α1|x) < R(α2|x), cioè se:
λ11P(ω1|x)+ λ12P(ω2|x) < λ21P(ω1|x)+ λ22P(ω2|x)
che equivale a:
(λ11-λ21)P(ω1|x) < (λ22-λ12)P(ω2|x)
 Essendo (λ11-λ21)<0 e (λ22-λ12)<0, possiamo
moltiplicare i due membri per -1 e cambiare verso
alla disequazione:
(λ21-λ11)P(ω1|x) > (λ12-λ22)P(ω2|x)
da cui: ω
> λ12 − λ22
1
P(ω x ) 1

P(ω2 x ) ω< λ21 − λ11


2
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 16 di Cassino
Problemi a due classi
 Ricordando il teorema di Bayes, la
condizione si può scrivere:
ω1
p( x ω1 ) > λ12 − λ22 P(ω 2 )
p( x ω2 ) ω< λ21 − λ11 P(ω1 )
2

dove il membro di sinistra si definisce


rapporto di verosimiglianza (likelihood ratio)
 Test del rapporto di verosimiglianza
Likelihood Ratio Test (LRT)
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 17 di Cassino
Problemi a due classi
non cost-sensitive
 Nel caso di classificazione non cost-sensitive
la decisione deve minimizzare il numero di
errori.
 Questo caso ricade nel precedente a patto di
porre λ21=λ12=1 e λ11=λ22=0 (zero-one loss).
 La condizione diventa quindi:
ω1
p( x ω1 ) > P(ω 2 )
p( x ω2 ) ω< P(ω1 )
2
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 18 di Cassino
Problemi a due classi

cost-sensitive
con λ21>λ12
0-1 loss

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 19 di Cassino
Probabilità minima di errore
 E’ importante valutare quale sia la minima
probabilità di errore, che fornisce il miglior
risultato raggiungibile.
 Consideriamo il problema a due classi.
Indichiamo con X un generico campione e
con x il f.v. corrispondente.
 Siano inoltre R1 e R2 le due regioni di
decisione e T=R1∪R2 il dominio di x.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 20 di Cassino
Probabilità minima di errore
Problemi a due classi
 Per una regola di decisione che genera le
due regioni di decisione R1 e R2 la probabilità
di errore è:
Pe = p(x ∈ R 2 , X ∈ ω1 ) + p(x ∈ R1, X ∈ ω 2 ) =
= p(x ∈ R 2 | ω1 )P(ω1 ) + p(x ∈ R1 | ω 2 )P(ω 2 ) =
= ∫ p(x | ω1 )dx ⋅P(ω1 ) + ∫ p(x | ω2 )dx ⋅P(ω2 ) =
R2 R1

= ∫ p(x | ω1 )P(ω1 )dx + ∫ p(x | ω2 )P(ω2 )dx


Rdi R1 F. Tortorella © 2009
Teoria e Tecniche 2 Pattern Recognition Università degli Studi
Elementi di teoria della decisione 21 di Cassino
Probabilità minima di errore
Problemi a due classi
 La probabilità di errore è limitata
inferiormente:
Pe = ∫ p(x | ω1 )P(ω1 )dx + ∫ p(x | ω2 )P(ω 2 )dx ≥
R2 R1

≥ ∫ min{p(x | ω1 )P(ω1 ),p(x | ω2 )P(ω2 )}dx


T

 La probabilità minima di errore è quindi:


Pe* = ∫ min{p(x | ω1 )P(ω1 ), p(x | ω2 )P(ω 2 )}dx
T
Quando viene ottenutaF. Tortorella
Teoria e Tecniche di Pattern Recognition
? © 2009
Università degli Studi
Elementi di teoria della decisione 22 di Cassino
Ottimalità del classificatore
bayesiano
 La probabilità di errore minima viene
raggiunta con la regola di decisione
bayesiana α(x) = argmax{P(ω1|x), P(ω2|x) }.
 Di conseguenza, nei problemi a due classi, il
classificatore costruito con questa regola
(classificatore bayesiano) è il classificatore
ottimo.

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 23 di Cassino
Probabilità minima di errore
Problemi a due classi

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 24 di Cassino
Probabilità minima di errore
Problemi multiclasse
 In maniera analoga si può calcolare la
minima probabilità di errore per problemi a C
classi:
C
Pe = 1− P(correct) = 1− ∑ ∫ p(x | ωi )P(ωi )dx
i=1 Ri
 Siccome :
C

∑ ∫ p(x | ω )P(ω )dx ≤ ∫ max{p(x | ω )P(ω )}dx


i=1 Ri
i i
1≤i≤C
i i
T

P = 1− ∫ max{p(x | ωi )P(ωi )}dxF. Tortorella © 2009


*
e
1≤i≤C
Teoria e Tecniche di Pattern Recognition
T Università degli Studi
Elementi di teoria della decisione 25 di Cassino
Ottimalità del classificatore
bayesiano
 La probabilità di errore minima viene
raggiunta con la regola di decisione
bayesiana α(x) = argmax {P(ωi|x)}.
 Di conseguenza, anche nei problemi
multiclasse, il classificatore bayesiano risulta
il classificatore ottimo.

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 26 di Cassino
Altri criteri di decisione per
problemi a due classi
 Abbiamo visto che, nel caso abbiamo una
conoscenza completa del problema
(probabilità a priori, costi), il likelihood ratio
test è il criterio di decisione ottimale in quanto
minimizza il rischio condizionale.
 Altri criteri:
 Criterio Minimax
 Criterio di Neyman-Pearson

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 27 di Cassino
Criterio Minimax
 In alcune circostanze, potrebbe essere necessario
progettare un sistema di riconoscimento che debba
garantire buone prestazioni non per un valore
determinato delle probabilità a priori, ma su un
intervallo di valori possibili.
 Esempi:
 Non conosciamo esattamente la prob. a priori, ma
sappiamo che varia in un certo intervallo.
 Durante la fase operativa del sistema, le prob. a priori
possono cambiare in modo impredicibile.

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 28 di Cassino
Criterio Minimax
 In questo caso, un approccio ragionevole è
quello di progettare il classificatore in modo
da minimizzare i danni nel caso peggiore
(worst case).
 Ciò equivale a minimizzare il valore massimo
del rischio al variare delle probabilità a priori.

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 29 di Cassino
Criterio Minimax
 Consideriamo le regioni di decisione R1 ed R2
indotte da un criterio di decisione. Il rischio
relativo è:
R= ∫ [λ
R1
P p (x ω1 ) + λ12 P2 p (x ω2 )]dx +
11 1 ∫ [λ
R2
P p (x ω1 ) + λ22 P2 p (x ω2 )]dx
21 1

dove P1 = P(ω1 ) P2 = P(ω2 )

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 30 di Cassino
Criterio Minimax
 Considerando che ∫ p(x ω1 )dx = 1 − ∫ p(x ω1 )dx
otteniamo: R R 1 2

R(P1 ) = λ22 + (λ12 − λ22 )∫ p (x ω2 )dx +


R1

 
+ P1 (λ11 − λ22 ) + (λ21 − λ11 ) ∫ p (x ω1 )dx − (λ12 − λ22 ) ∫ p (x ω2 )dx 
 R2 R1 
 Una volta stabilite le regioni di decisione, il
rischio è una funzione lineare di P1. Che cosa
significa ?
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 31 di Cassino
Criterio Minimax
Rischio
Fissata P1, è definito il rischio condizionale complessivo.
Che cosa succede se P1cambia?

λ11

λ22

P1 P1
0.0 1.0

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 32 di Cassino
Criterio Minimax
Rischio

λ22

Per alcuni valori di P1, il rischio


λ11
condizionale complessivo assume valori
inaccettabili.

P1 P1
0.0 1.0

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 33 di Cassino
Criterio Minimax
 Per limitare il massimo rischio ottenibile, si
sceglie un punto di lavoro tale che, al variare
di P1, il rischio non si modifichi.
 Tale punto coincide con il punto di max del
rischio al variare di P1.
 Di conseguenza, si sceglie il valore di P1 che
massimizza il rischio condizionale
complessivo.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 34 di Cassino
Criterio Minimax
Rischio

λ11

λ22

P1
0.0 Pmm 1.0

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 35 di Cassino
Criterio Minimax
 In questo caso, il rischio diventa:
R(P1 ) = λ22 + (λ12 − λ22 ) ∫ p (x ω2 )dx =
R1

λ11 + (λ21 − λ11 ) ∫ p(x ω1 )dx


 Si ottiene per: R2

(λ11 − λ22 ) + (λ21 − λ11 ) ∫ p(x ω1 )dx − (λ12 − λ22 )∫ p(x ω2 )dx = 0
R2 R1

e, nel caso λ11=λ22


(λ21 − λ11 ) ∫ p(x ω1 )dx = (λ12 − λ22 )∫ p(x ω2 )dx
R2 R1
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 36 di Cassino
Criterio di Neyman-Pearson
 Ricordiamo che il criterio di Bayes minimizza
il rischio condizionale R
R= ∫ [λ
R1
P p (x ω1 ) + λ12 P2 p (x ω2 )]dx +
11 1 ∫ [λ
R2
P p (x ω1 ) + λ22 P2 p (x ω2 )]dx
21 1

che può scriversi:


R = λ11 P1δ1 + λ12 P2ε 2 + λ21 P1ε 1 + λ22 P2δ 2

δ1 = ∫ p(x ω1 )dx δ 2 = ∫ p ( x ω 2 ) dx
dove: R1 R2

ε 1 = ∫ p(x ω1 )dx ε 2 = ∫ p(x ω2 )dx


R2 R1 F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 37 di Cassino
Criterio di Neyman-Pearson
 Mentre il criterio di Bayes ottimizza il rischio
condizionale complessivo, si potrebbe avere
l’esigenza di limitare la probabilità di errore
all’interno di una classe.
 Esempio: è necessario che la probabilità di
errore sui campioni della classe ω2 sia minore
di α e che sia la minima possibile su ω1.
In altri termini, ε2<α e ε1 min!

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 38 di Cassino
Criterio di Neyman-Pearson
 Utilizzando i moltiplicatori di Lagrange
possiamo scrivere la funzione obiettivo da
minimizzare come:
 
F = ε 1 + λ (ε 2 − α ) = ∫ p (x ω1 )dx + λ  ∫ p (x ω2 )dx − α 
 
R 2R 1 
 Da notare:
 Non sono presenti le probabilità a priori ed i costi
 Le regioni di decisione sono da definire (soluzione
del problema di minimizzazione)
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 39 di Cassino
Criterio di Neyman-Pearson
 La funzione obiettivo si può scrivere:
 
F = ∫ p(x ω1 )dx + λ 1 − ∫ p (x ω2 )dx − α  = λ (1 − α ) + ∫ [ p (x ω1 ) − λp (x ω2 )]dx

 R 
R2  2  R2

 Per minimizzare la f.o. occorre minimizzare


l’integrale e ciò si ottiene rendendo definitivamente
negativo l’integrando, cioè:
{
R2 = x p (x ω1 ) − λp (x ω2 ) < 0 }
che significa definire il criterio di decisione:
p (x ω1 ) >1
ω

λ
p (x ω2 ) <
ω2 F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 40 di Cassino
Criterio di Neyman-Pearson
 Il criterio ottenuto è basato sul confronto tra
likelihood ratio ed una soglia (simile al criterio
di Bayes)
 Come otteniamo il valore della soglia λ ?
Imponendo che sia soddisfatto il vincolo
sull’errore.

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 41 di Cassino
Criterio di Neyman-Pearson
 Di fatto, bisogna scegliere λ in modo che
ε2=α’ <α
 Come è possibile esprimere l’errore?
 Consideriamo il LR Λ(x) come una v.a., in
quanto è una funzione della variabile
aleatoria x.
 Consideriamo la pdf di Λ condizionata alla
classe ω2
p (Λ ω2 ) = p (Λ (x) x ∈ ω2 )
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 42 di Cassino
Criterio di Neyman-Pearson
 In questo modo, l’errore è definibile come:
+∞
ε2 = ∫λ p(Λ ω )dΛ = α ′
2

 Purtroppo una soluzione analitica non è


sempre possibile. Di solito, si cerca una
soluzione sperimentale o numerica.

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 43 di Cassino
Classificazione con rigetto
 Nella classificazione cost-sensitive, ci
possono essere casi in cui il costo di un
errore è così elevato che è conveniente
astenersi dal fornire una risposta piuttosto
che rischiare un errore.
 In questi casi, alle decisioni possibili si
aggiunge la “decisione di non decidere”, detta
anche rigetto.

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 44 di Cassino
Regola di decisione con
rigetto
 La regola di decisione viene ampliata per
considerare il nuovo tipo di decisione (regola
di decisione con rigetto).
 Le condizioni per le quali viene sospesa la
decisione vanno sotto il nome di regola di
rigetto (reject rule).

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 45 di Cassino
Classificazione con rigetto
 Per il classificatore bayesiano, la probabilità
di errore su un campione x è
Pe(x) = 1-max{P(ωi|x)}.
 Supponiamo di non voler procedere alla
classificazione se la Pe supera una soglia t
(Pe massima tollerabile).

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 46 di Cassino
Regola di decisione con rigetto
per il classificatore bayesiano
 La regola di decisione diventa quindi:

ωi se P(ωi|x) > P(ωj|x) ∀i≠j and


α(x) = P(ωi|x) > 1-t
‘rigetto’ altrimenti

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 47 di Cassino
Regioni di rigetto

1-t=0.6

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 48 di Cassino
Curva error/reject
 Al variare di t variano la probabilità di errore e la probabilità di rigetto
secondo una curva che si definisce curva error/reject
Pe
t=1

t=0

Pr
1
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 49 di Cassino
Classificazione con rigetto
 Anche il rigetto avrà un suo costo (inferiore a
quello di un errore).
 Assumiamo una funzione di costo del tipo:

c se i=j
λij= e se i≠j
r se i=‘rigetto’

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 50 di Cassino
Classificazione con rigetto
 Il rischio condizionale diventa:
r se α =‘rigetto’
R(α|x) =
c P(ωi|x) +e (1- P(ωi|x)) se α=ωi
 Quindi la regola di decisione diventa:

ωi se P(ωi|x) > P(ωj|x) ∀i≠j and


α(x) = P(ωi|x) > (e-r)/(e-c)
‘rigetto’ altrimenti Regola di Chow
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 51 di Cassino
Classificazione con rigetto:
problemi a due classi
 Consideriamo un problema a due classi cost-
sensitive con costi non uniformi ed opzione di
rigetto.
 Come si particolarizza il criterio di decisione ?
 Partiamo dal criterio generale definito in base
ai rischi condizionali:
R(α 0 ) = λ0
R(α1 ) = λ11 P (ω1 x) + λ12 P (ω2 x)
R(α ) = λ P(ω1 x) + λ22 P (ω2 x)
2 Recognition
Teoria e Tecniche di Pattern 21 F. Tortorella © 2009
Università degli Studi
Elementi di teoria della decisione 52 di Cassino
Classificazione con rigetto:
problemi a due classi
 La condizione per decidere l’assegnazione
alla classe ω1 è R(α1 ) = min{R(α1 ), R(α 2 )} e
R(α1 ) ≤ R (α 0 ) da cui:
p (x ω1 ) λ12 − λ0 P2

p (x ω2 ) λ0 − λ11 P1
 Analogamente per l’assegnazione alla classe
ω 2: p (x ω1 ) λ0 − λ22 P2

p (x ω2 ) λ21 − λ0 P1
Teoria e Tecniche di Pattern Recognition con R (α 2 ) = min{RF.Università
α1 ),degli
(TortorellaR α 2 )}
(Studi
© 2009

Elementi di teoria della decisione 53 di Cassino


Classificazione con rigetto:
problemi a due classi
 Infine, la condizione per il rigetto è:

λ0 − λ22 P2 p (x ω1 ) λ12 − λ0 P2
< <
λ21 − λ0 P1 p(x ω2 ) λ0 − λ11 P1

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 54 di Cassino
Funzioni discriminanti
 Una rappresentazione utile dei classificatori è
in termini di un insieme di funzioni
discriminanti gi(x) i=1,…,C.
 Un campione con f.v. x viene assegnato alla
classe ωi se gi(x) > gj(x) j≠i.
 In questo modo, un classificatore è visto
come un sistema che calcola C funzioni
discriminanti e che sceglie la classe con il
valore più ampio.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 55 di Cassino
Funzioni discriminanti

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 56 di Cassino
Funzioni discriminanti
 Un classificatore bayesiano può essere facilmente
rappresentato in termini di funzioni discriminanti ed in
diversi modi.
 Caso generale: gi(x) = -R(αi|x)
 Non cost-sensitive: gi(x) = P(ωi|x)
 In generale, la scelta delle funzioni discriminanti non
è unica. Può essere usata ogni funzione monotona di
P(ωi|x):
 gi(x) = p(x|ωi) P(ωi)
 gi(x) = ln P(ωi|x)= ln p(x|ωi) + ln P(ωi)
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 57 di Cassino
Funzioni discriminanti
 Le funzioni discriminanti definiscono
immediatamente le regioni di decisione:
{
Ri (x ) = x g i (x ) > g j (x ) ∀j ≠ i }
 La frontiera di decisione tra due classi ωi e ωj
è definita come:
{
Γij (x ) = x g i (x ) = g j (x ) j ≠ i }
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 58 di Cassino
Funzioni discriminanti

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 59 di Cassino
Funzioni discriminanti per
classificatori a due classi
 Per il classificatore a due classi (dichotomizer)
è consueto definire un’unica funzione
discriminante:
ω1

g(x) ≡ g1 (x) − g 2 (x) > 0


<
ω2
 In tal modo, la decisione avviene in base al
segno della g(x)

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 60 di Cassino
Funzioni discriminanti per
classificatori a due classi
 Sono possibili diverse definizioni :

g(x) = P(ω1 x ) − P(ω2 x )


Non
cost-sensitive
p( x ω1 )
P(ω1 )
g(x) = ln + ln
p( x ω2 ) P(ω2 )

λ21 − λ11
p( x ω1 ) P(ω1 )
g(x) = ln + ln + ln
p( x ω2 ) λ12 − λ22 P(ω2 )cost-sensitive
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 61 di Cassino
Funzioni di densità normali
 Un caso notevole è dato dalle funzioni di
densità gaussiane (o normali).
 La ragione per questa particolarità è legata al
fatto che la densità gaussiana è un modello
appropriato in situazioni in cui il f.v. x per la
classe ωi è una versione rumorosa di un
prototipo µi.

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 62 di Cassino
Funzioni di densità normali
 Nel caso di f.v. a d dimensioni, le densità
sono definite come:
 1 T −1 
p(x|ωi ) = Ai exp − (x − µ i ) Σ i (x − µ i )
 2 
1 µ i = E [x|ωi ]
Ai = d/ 2 1/ 2 Vettore delle medie
( 2π) Σi
[
Σ i = E (x-µ i )(x-µ i )T|ωi ]
Matrice di covarianza
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 63 di Cassino
Funzioni di densità normali
 Consideriamo i singoli componenti di µ e Σ.
 Se il f.v. è x = ( x1 , x2 ,..., xd ) possiamo scrivere
il vettore delle medie come:
µ = (µ1 , µ 2 ,..., µ d )
dove:
µi = E [xi ]

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 64 di Cassino
Funzioni di densità normali
 Analogamente per la matrice di covarianza:

σ 11 σ 12 σ 1d 
σ 21 σ 22 σ 2d 
Σ= 
 
 
σ d 1 σ d 2 σ dd 

[
σ ij = E (xi − µi )(x j − µ j )]
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 65 di Cassino
Proprietà della matrice di
covarianza
 Matrice simmetrica: σ ij = σ ji
 Gli elementi sulla diagonale sono le varianze delle
componenti: σ ii = σ i2
 Gli elementi fuori dalla diagonale sono le covarianze
delle componenti e σ ij ≤ σ iσ j
 Se xi e xj tendono a crescere insieme, allora σij>0.
 Se xi tende a crescere quando xj tende a
decrescere, allora σij<0.
 Se xi e xj sono statisticamente indipendenti, allora
σij=0.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 66 di Cassino
Proprietà della matrice di
covarianza
xj xj xj

xi xi xi
σ ij = −σ iσ j σ ij = 0
σ ij < 0 σ ij < σ iσ j
xj xj

σ ij > 0 σ ij < σ iσ j
σ ij = σ iσ j

xi xi
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 67 di Cassino
Funzioni di densità normali
 I campioni estratti da una popolazione con
pdf normale tendono a disporsi in una singola
“nuvola”.
 Il centro della regione è definito dal vettore
delle medie, mentre la forma della regione è
determinata dalla matrice di covarianza.
 I punti che hanno lo stesso valore per la pdf
appartengono a curve su cui il termine
1
(x − µ i )T Σ i−1(x − µ i ) è costante.
2 F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 68 di Cassino
Funzioni di densità normali

d=2
1 T −1
Il termine 2 (x − µ i ) Σ i (x − µ i )
viene spesso indicato
come quadrato della
distanza di
Mahalanobis

p(x|ωi) costante
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 69 di Cassino
Classificatore bayesiano con
densità normali
 Nel caso di classificazione non cost-sensitive,
le funzioni discriminanti possono essere poste:
g i (x) = ln p (x ωi ) + ln P (ωi )
 Se le densità sono normali:
1 T −1 1 d
gi(x) = − (x − µi ) Σi (x − µi )- ln Σi − ln 2π + ln P(ωi )
2 2 2
 In generale, il classificatore ottimale è un
classificatore quadratico.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 70 di Cassino
1 1 d
gi(x) = − (x − µi )T Σi−1(x − µi )- ln Σi − ln 2π + ln P(ωi ) =
2 2 2
1
2
[ 1
2
]d
= − xT Σi−1x + µiT Σi−1µi − µiT Σi−1x − xT Σi−1µi - ln Σi − ln 2π + ln P(ωi ) =
2
= µiT Σi−1x = xT Σi−1µi perchè è uno scalare


2
[
1 T −1 1 d
]
x Σi x + µiT Σi−1µi − 2µiT Σi−1x - ln Σi − ln 2π + ln P(ωi ) =
2 2
= µiT Σi−1 = µi T
( )
T −1
Σi perchè Σi simmetrica; = µi T
( ) =(
−1 T
Σi −1 T
Σi µi )
1  T −1
2
T −1 −1 T  1
( d
)
− x Σi x + µi Σi µi − 2 Σi µi x - ln Σi − ln 2π + ln P(ωi )
 2 2

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 71 di Cassino
Densità normali
σ2I
caso Σi=σ
 Se le features sono statisticamente
indipendenti e hanno uguale varianza σ2, la
forma di gi(x) si semplifica:
1
−1
Σi = 2 I Σ i = σ (costante risp. a i)
2d

σ
x − µi
2
(x − µ i ) (x − µ i )
T
g i(x) = − 2
+ ln P(ωi ) = − + ln P(ωi )
2σ 2σ 2
distanza euclidea
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 72 di Cassino
Densità normali
σ2I
caso Σi=σ
 Valutiamo la gi(x):
1 T
[ ]
g i(x) = − 2 x x − 2µTi x + µTi µ i + ln P(ωi )

 Se si considera che xTx è indipendente da i,
si ottiene un classificatore lineare (linear
machine):
µTi x µTi µ i
g i(x) = 2
− 2
+ ln P(ωi ) = w i x + wi0
T

σ 2σ
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 73 di Cassino
Densità normali
σ2I
caso Σi=σ

d=1 d=2 d=3

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 74 di Cassino
Densità normali
σ2I
caso Σi=σ
 Definiamo le frontiere di decisione g i ( x ) − g j ( x) = 0

g i(x) − g j(x) = (w i − w j ) x + (w i 0 − w j 0 ) = 0
T

 Nel caso in esame l’equazione della frontiera


si può scrivere w (x − x 0 ) = 0 dove:
T

w = µi − µ j
σ2 P(ωi )
x 0 = (µ i + µ j ) − (µi − µ j )
1
ln
2 µi − µ j
2
P(ω j )
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 75 di Cassino
Al cambiare delle P(ωi) le frontiere di decisione si spostano
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 76 di Cassino
Densità normali
caso Σi= Σ
 Anche in questo caso, la forma delle gi(x) si
semplifica:
1 T −1 1 d
g i(x) = − (x − µ i ) Σ i (x − µ i )- ln Σ i + ln P(ωi ) − ln 2π
2 2 2

1 T −1
g i(x) = − (x − µ i ) Σ (x − µ i ) + ln P(ωi )
2

g i(x) = w x + wi 0 1
T
i
w i = Σ −1µ i wi 0 = − µTi ΣF.−1Tortorella
µ i + ©ln2009P(ωi )
Teoria e Tecniche di Pattern Recognition 2 Università degli Studi
Elementi di teoria della decisione 77 di Cassino
Densità normali
caso Σi= Σ
 Anche in questo caso l’equazione della
frontiera si può scrivere w T
(x − x 0 ) = 0 dove:
w = Σ (µ i − µ j )
−1

 P(ωi ) 
ln 
ω
x 0 = (µ i + µ j ) − (µ i − µ j )
1  P ( )
j 

2 (µ i − µ j ) Σ (µ i − µ j )
T −1

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 78 di Cassino
Le frontiere di decisione non sono più ortogonali a µi-µj
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 79 di Cassino
Criteri di decisione per problemi a
due classi: Valutazione
 Finora abbiamo visto diversi (equivalenti)
criteri di decisione per problemi a due classi:
ω1
 Likelihood ratio: pp((xx ωω )) <> λλ
1 12 − λ22 P(ω2 )
21 − λ11 P (ω1 )
ω2
2

ω1
 p(x ω1 )  >  λ12 − λ22 P(ω2 ) 
 Log-Likelihood ratio: ln
p (x ω )
 ln
 <  λ − λ P(ω ) 

 2   21 11 1 
ω
2

 In generale, il criterio di decisione è del tipo:


ω1
L ( x) > γ
<
ω2
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 80 di Cassino
Criteri di decisione per problemi a
due classi: Valutazione
 La soglia utilizzata è definita sulla base delle
probabilità a priori delle classi e della matrice dei
costi.
 Il primo membro, invece, è indipendente da tali
parametri.
 Nel valutare il criterio di decisione, quindi, dovremo
tenere conto di questo e decidere che cosa valutare:
 L’accuratezza del classificatore (in termini di rischio o
probabilità di errore) per una data combinazione di costi e
probabilità a priori (per un dato decision bias)
 La capacità intrinseca del classificatore a discriminare tra
le due classi, indipendentemente dal decision bias.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 81 di Cassino
Criteri di decisione per problemi a
due classi: Valutazione
 Consideriamo il rischio condizionale in
funzione della soglia γ:
R (γ ) = λ11 P1δ1 (γ ) + λ12 P2ε 2 (γ ) + λ21 P1ε 1 (γ ) + λ22 P2δ 2 (γ )
che, come noto, si può scrivere:
R (γ ) = λ11 P1δ1 (γ ) + λ12 P2ε 2 (γ ) + λ21 P1 [1 − δ1 (γ )] + λ22 P2 [1 − ε 2 (γ )]

o
R (γ ) = λ11 P1 [1 − ε 1 (γ )] + λ12 P2 [1 − δ 2 (γ )] + λ21 P1ε 1 (γ ) + λ22 P2δ 2 (γ )

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 82 di Cassino
Criteri di decisione per problemi a
due classi: Valutazione
 Nella formulazione del rischio si identificano
due tipi di contributi:
 λij , Pi : legati al particolare problema, indipendenti
dal classificatore
 δ1 (γ ) ε 2 (γ ) δ 2 (γ ) ε 1 (γ ) : intrinseci al classificatore,
indipendenti dal problema
 Per ottenere una valutazione della qualità di
discriminazione intrinseca al classificatore si
possono valutare gli andamenti di δ1 (γ ) ε 2 (γ ) o
di δ 2 (γ ) ε1 (γ ) al variare di γ.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 83 di Cassino
Denominazioni
(uno, nessuno e centomila…)
 La classificazione a due classi è presente in
molti contesti diversi (hypothesis testing,
tecniche radar, diagnosi medica,…) e ciò ha
portato a definire i vari errori e corrette
classificazioni in diversi modi:
 Type I, type II error
 PF (false alarm),PM (miss),PD (detection)(PH hit),
PCR (correct rejection)
 TPR, FPR, TNR, FNR (True Positive, False
Positive, True Negative, False Negative)
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 84 di Cassino
FNR, PM
TPR, PH, PD

TNR, PCR

FPR, PF

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 85 di Cassino
Denominazioni
 Scegliamo di adottare la notazione che adopera le
seguenti denominazioni:
 TPR=1-FNR
 FPR=1-TNR
 Sulla base delle caratteristiche del problema
possiamo adottare una delle due convenzioni:
 TPR(γ)= δ1 (γ ) FPR(γ)= ε 2 (γ )
 TPR(γ)= δ 2 (γ ) FPR(γ)= ε 1 (γ )

 Questi valori si possono visualizzare graficamente


su un piano (piano della curva ROC o ROC space).
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 86 di Cassino
Il piano ROC
1

FPR(γ) FNR(γ) Date le relazioni:


FNR(t) = 1 − TPR(γ )

FPR(t) = 1 − TNR(γ )
TPR

per caratterizzare
TNR(γ) completamente le prestazioni
del classificatore in
corrispondenza della soglia t
TPR(γ) sono sufficienti due valori,
es.: FPR(γ) e TPR(γ)
0
0 FPR 1

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 87 di Cassino
La curva ROC
1.0
 Al variare di t, si ottiene
una sequenza di coppie
0.8
(FPR(γ), TPR(γ) che
fornisce la curva ROC
0.6
(Receiver Operating

TPR
Characteristic ) del
0.4
classificatore.

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0
FPR F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 88 di Cassino
La curva ROC
1.0

Punto di
lavoro γ → -∞ Tutti ω2
0.8
ideale

0.6
TPR

0.4

Classificatore
γ → +∞ casuale
0.2
Tutti ω1

0.0
0.0 0.2 0.4 0.6 0.8 1.0
FPR
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 89 di Cassino
La curva ROC
1.0
C3 Più la curva è
C2 spostata verso
0.8
C1 l’angolo in alto a
sinistra, migliori
0.6 sono le prestazioni
del classificatore
TPR

relativo.
Prestazioni
0.4
migliori

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0
FPR
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 90 di Cassino
Proprietà della curva ROC
relativa al LRT
 La curva ROC ha concavità rivolta verso il
basso.
 È al di sopra della retta TPR=FPR.
 La pendenza della curva in un particolare
punto è uguale al valore della soglia
λ − λ P(ω )
η= 12 22
λ − λ P(ω )
richiesta per ottenere TPR e FPR
2

di quel punto (supponendo TPR(γ)= δ1 (γ ) e


21 11 1

FPR(γ)= ε 2 (γ ) ) (dimostrazione in Van Trees,


vol. 1, § 2.2)
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 91 di Cassino
Rette isoscosto
 Assumiamo TPR(γ)= δ1 (γ ) e FPR(γ)= ε 2 (γ ) e
consideriamo la definizione del rischio
condizionale in funzione della soglia γ:
R (γ ) = λ11 P1δ1 (γ ) + λ12 P2ε 2 (γ ) + λ21 P1 [1 − δ1 (γ )] + λ22 P2 [1 − ε 2 (γ )]
 Il rischio associato ad un punto (FPR,TPR)
sul piano ROC sarà quindi:
λ11 P1 ⋅ TPR + λ12 P2 ⋅ FPR + λ21P1 [1 − TPR ] + λ22 P2 [1 − FPR ]
che può scriversi:
P1 ⋅ (λ11 − λ21 ) ⋅ TPR + P2 ⋅ (λ12 − λ22 ) ⋅ FPR + P1 ⋅ λ21 + P2 ⋅ λ22
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 92 di Cassino
Rette isoscosto
 Perché due punti (FPR1,TPR1) e
(FPR2,TPR2) abbiano lo stesso rischio
associato, si deve avere:
P1 ⋅ (λ11 − λ21 ) ⋅ TPR1 + P2 ⋅ (λ12 − λ22 ) ⋅ FPR1 =
P1 ⋅ (λ11 − λ21 ) ⋅ TPR2 + P2 ⋅ (λ12 − λ22 ) ⋅ FPR2

da cui:
TPR2 − TPR1 P2 (λ12 − λ22 )
= ⋅
FPR2 − FPR1 P1 (λ21 − λ11 )
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 93 di Cassino
Rette isocosto
 L’equazione definisce la pendenza di una
retta isocosto. In altre parole, tutti i punti
(FPR,TPR) del piano ROC sulla retta
TPR − TPR1 P2 (λ12 − λ22 )
= ⋅
FPR − FPR1 P1 (λ21 − λ11 )
avranno associato lo stesso rischio
condizionale.
 Ogni combinazione di probabilità a priori e di
costi definisce un fascio di rette isocosto.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 94 di Cassino
Rette isocosto
1.0
Le rette del fascio che
sono disposte più in
0.8
alto e a sinistra sono
quelle cui compete il
rischio minore. 0.6

TPR
Rischio
crescente
0.4

R = P1 ⋅ (λ11 − λ21 ) ⋅ TPR0 + P1 ⋅ λ21 + P2 ⋅ λ22 0.2

0.0
Teoria e Tecniche di Pattern Recognition 0.0 0.2 0.4 0.6 F. Tortorella
0.8 © 2009 1.0
FPR Università degli Studi
Elementi di teoria della decisione 95 di Cassino
Definizione della soglia ottima
 Data una combinazione di probabilità a priori
e di costi, qual è il punto di lavoro ottimale
sulla curva ROC ?
 Tale punto deve giacere
 sulla curva ROC
 sulla retta del fascio più “in alto e a sinistra”

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 96 di Cassino
Definizione della soglia ottima
non realizzabile
1.0
ottima

0.8
subottima

0.6
TPR

Rischio
crescente
0.4

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0
FPR F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 97 di Cassino
Definizione della soglia ottima
Criterio di Bayes
 Il punto di lavoro ottimo è definito dalla retta
del fascio (identificato da probabilità a priori e
costi) tangente alla curva ROC.
 La soglia ottima è di conseguenza quella
associata al punto di lavoro ottimo trovato.
 Nel caso stiamo considerando il LRT,
ritroviamo il criterio di Bayes.

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 98 di Cassino
Definizione della soglia ottima
1.0

Al variare del
rapporto tra 0.8

le probabilità
delle classi 0.6
e/o dei costi
TPR

cambia la
0.4
pendenza e
quindi la
soglia ottima. 0.2

0.0
0.0 0.2 0.4 0.6 0.8 F. Tortorella
1.0 © 2009
Teoria e Tecniche di Pattern Recognition FPR
Università degli Studi
Elementi di teoria della decisione 99 di Cassino
Criterio di Neyman-Pearson
 In questo contesto, il criterio di Neyman-
Pearson specifica un FPR (o un FNR)
massimo accettabile.
 Di conseguenza, la definizione del punto di
lavoro ottimo in accordo al criterio NP è
facilmente identificato dall’intersezione tra la
curva ROC e la retta FPR=FPRmax
(FNR=FNRmax).

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 100 di Cassino
Criterio di Neyman-Pearson
1.0

1-FNRmax 0.8

0.6
TPR

0.4

0.2 FPRmax

0.0
0.0 Recognition
Teoria e Tecniche di Pattern 0.2 0.4 0.6 0.8 1.0 F. Tortorella © 2009
FPR Università degli Studi
Elementi di teoria della decisione 101 di Cassino
Criterio Minimax
 Ricordiamo che la condizione che forniva il
punto di lavoro ottimo in accordo al criterio
minimax era definito dalla relazione:
(λ11 − λ22 ) + (λ21 − λ11 )ε1 − (λ12 − λ22 )ε 2 = 0
 Mantenendo la consueta assunzione
TPR= δ1 (γ ) e FPR= ε 2 (γ ) , la relazione diventa:
(λ11 − λ22 ) + (λ21 − λ11 ) ⋅ (1 − TPR ) − (λ12 − λ22 ) ⋅ FPR = 0

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 102 di Cassino
Criterio Minimax
 Semplificando, la relazione identifica nel
piano ROC la retta :

(λ21 − λ11 ) ⋅ TPR + (λ12 − λ22 ) ⋅ FPR + λ22 − λ21 = 0


 Di conseguenza, il punto di ottimo per il
criterio minimax è dato dall’intersezione della
retta sopra definita con la curva ROC.

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 103 di Cassino
Criterio Minimax
1.0

λ21 − λ22
λ21 − λ11 0.8

0.6
TPR

0.4
λ21 − λ22
λ12 − λ11
0.2

0.0
0.0 Recognition
Teoria e Tecniche di Pattern 0.2 0.4 0.6 0.8 1.0 F. Tortorella © 2009
FPR Università degli Studi
Elementi di teoria della decisione 104 di Cassino
Criterio Minimax
1.0

Caso λ11=λ22=0
0.8

λ21
= 1.5
0.6 λ12
TPR

λ21
0.4 = 0.5
λ12
λ21
= 1.0
λ12
0.2
λ21
= 0.2
λ12
0.0
0.0 0.2 0.4 0.6 0.8 1.0
FPR
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 105 di Cassino
Stima della curva ROC
 Come ricavare la curva ROC quando la regola di
decisione è realizzata da un classificatore e non
sulla base delle pdf condizionate ?
 Consideriamo un problema a due classi (definiamole
genericamente “classe dei positivi” e “classe dei
negativi”).
 Supponiamo di avere un classificatore che riceve in
ingresso un campione i e fornisce una stima f(i)
dell’appartenenza del campione alla classe dei
positivi.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 106 di Cassino
Stima della curva ROC
 Supponiamo inoltre che sia disponibile un
insieme S formato da P campioni “positivi” ed
N campioni “negativi” (l’insieme non è stato
usato per costruire il classificatore).
 Sottoponiamo i campioni di S al classificatore
e, per ogni campione i, valutiamo la risposta
f(i).
i f(i)
classificatore

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 107 di Cassino
Stima della curva ROC
 Un modo semplice è quello di considerare un
insieme di soglie {tk} con min(f(i))≤tk≤max(f(i))
e valutare FPR e TPR per ognuna delle soglie,
ricavando un insieme di punti sperimentali.
 In questo modo, però, si possono ottenere
risultati inaccurati.
 Alternativa: algoritmi che impiegano come
possibili soglie tutti i valori forniti dal
classificatore.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 108 di Cassino
Generazione della curva ROC
su un insieme di campioni

F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 109 di Cassino
Stima della curva ROC.
Pdf condizionate alle classi di f()

0.18
p(f|y=-1)
p(f|y=+1)
0.16

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
-5 -4 -3 -2 -1 0 1 2 3 F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 110 di Cassino
Stima della curva ROC
 La curva ottenuta non è 1.0

continua e presenta delle


concavità locali.
0.8
 Tuttavia, quanto detto in
precedenza sulla
definizione del punto di 0.6

lavoro ottimo resta valido.


TPR
 L’unica differenza è che i 0.4

punti da considerare sono


quelli appartenenti al 0.2
convex hull della curva
ROC.
0.0
0.0 0.2 0.4 0.6 0.8© 2009
F. Tortorella 1.0
Teoria e Tecniche di Pattern Recognition FPR Università degli Studi
Elementi di teoria della decisione 111 di Cassino
Scelta della soglia ottima
non realizzabile

1.0 ottima
La soglia
ottimale si 0.8 subottima
ricava in
corrispondenza
0.6
del punto di
TPR

tangenza tra il
fascio di rette 0.4 Rischio crescente
ed il convex
hull della curva 0.2
ROC curve
Convex Hull
ROC.
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
0.0
0.0 0.2 0.4 0.6 Università degli
0.8 1.0 Studi
Elementi di teoria della decisione 112 FPR di Cassino
La curva ROC: valutazione dei
classificatori
1.0
C3 Attraverso la curva
C2
0.8
ROC è possibile
C1 stabilire quale sia il
classificatore
0.6
migliore solo se c’è
TPR

una dominanza su
Prestazioni
0.4
migliori tutto l’insieme dei
punti di lavoro.
0.2
Es. C3 > C2 > C1

0.0 F. Tortorella © 2009


0.0
Teoria e Tecniche 0.2
di Pattern 0.4
Recognition 0.6 0.8 1.0
FPR Università degli Studi
Elementi di teoria della decisione 113 di Cassino
La curva ROC: valutazione dei
classificatori
1.0

C1 In questo caso non si


può affermare con
0.8
chiarezza quale sia il
classificatore
0.6 C2 migliore.
TPR

Tuttavia è possibile
0.4 realizzare un
confronto tra i due
0.2
classificatori in
termini di Area
sottesa alla curva
0.0
0.0
Teoria e Tecniche 0.2
di Pattern 0.4
Recognition 0.6 0.8 1.0 ROC (AUC).
F. Tortorella © 2009
FPR Università degli Studi
Elementi di teoria della decisione 114 di Cassino
L’AUC come parametro sintetico
per la valutazione
 L’AUC varia tra 0.5 (classificatore completamente casuale) e 1.0
(classificatore ideale).
 Come interpretare i valori intermedi ? Che cosa possiamo
concludere se AUC1>AUC2 ?
 L’AUC ha un preciso significato: fornisce la probabilità
P(f(X)>f(Y)), dove f(X) e f(Y) sono le uscite del classificatore in
corrispondenza di due campioni casualmente prelevati dalla
classe negativa e dalla classe positiva, rispettivamente.
 Probabilità di corretto ordinamento: P(f(X)>f(Y)) non significa
che i campioni sono classificati entrambi correttamente, ma che
1. esiste un valore della soglia per cui X e Y sono classificati
correttamente
2. non esiste alcun valore della soglia per cui X e Y sono classificati
erroneamente
F. Tortorella © 2009
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 115 di Cassino
Dimostrazione informale del
significato dell’AUC
Valutiamo il rettangolo sotteso 1.0

Pr ( f ( X ) > γ X ∈ PosClass )
alla curva mostrato in figura.
L’area è uguale a:
Pr ( f ( X ) > γ )* Pr (γ − ∆γ < f (Y ) ≤ γ )
0.8

Essendo f(X) e f(Y)


indipendenti il prodotto è 0.6

uguale a:
TPR
Pr ( f ( X ) > γ , γ − ∆γ < f (Y ) ≤ γ )
0.4
Pr (γ − ∆γ < f (Y ) ≤ γ Y ∈ NegClass )
e quindi sommando le aree di
Pr ( f (Y ) > γ Y ∈ NegClass )
tutti i rettangoli sottesi alla
curva, si ottiene 0.2

Pr ( f ( X ) > f (Y ) ) Pr ( f (Y ) > γ − ∆γ Y ∈ NegClass )

0.0 F. Tortorella © 2009


Teoria e Tecniche di Pattern Recognition 0.0 0.2 0.4 0.6 0.8 1.0
FPR Università degli Studi
Elementi di teoria della decisione 116 di Cassino
AUC e accuratezza a confronto
 L’AUC fornisce la probabilità di corretto ordinamento una valutazione
diversa dall’accuratezza (accuracy), che è legata alla probabilità di
errore del classificatore.

 In many applications, the overall classification error rate is not the most
pertinent performance measure, criteria such as ordering or ranking seem
more appropriate. Consider for example the list of relevant documents
returned by a search engine for a specific query.
That list may contain several thousand documents, but, in practice, only
the top fifty or so are examined by the user. Thus, a search engine’s
ranking of the documents is more critical than the accuracy of its
classification of all documents as relevant or not. More generally, for a
binary classifier assigning a real-valued score to each object, a better
correlation between output scores and the probability of correct
classification is highly desirable.

C. Cortes* and M. Mohri, AUC Optimization vs. Error Rate Minimization,


Advances in Neural Information Processing Systems (NIPS 2003)
Teoria e Tecniche di Pattern Recognition (*) Google
F. Tortorella Labs
© 2009
Università degli Studi
Elementi di teoria della decisione 117 di Cassino
Calcolo dell’AUC
 Dalla definizione, un modo per calcolare l’AUC è
quello di eseguire il calcolo numerico dell’integrale
della curva sperimentale
 Un metodo alternativo viene dall’osservazione che
l’AUC coincide con la statistica di Wilcoxon-Mann-
Whitney che stima direttamente la probabilità
P(f(X)>f(Y)) P N
1 if x>y
∑∑ I ( X , Y )
i =1 j =1
i j 
I ( x, y ) = 0.5 if x= y
0 x< y
N ⋅P  if

Statistica di Wilcoxon-Mann-WhitneyF. Tortorella © 2009


Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 118 di Cassino

Potrebbero piacerti anche