2 - Elementi Di Teoria Della Decisione - PDF

Elementi di teoria
bayesiana della
decisione
Teoria bayesiana della decisione
Classificazione cost-sensitive
Regola di rigetto
La curva ROC
Teoria bayesiana della

decisione: caratteristiche
z La teoria bayesiana della decisione è un approccio
statistico fondamentale al problema del pattern
recognition.
z Il suo obiettivo è quello di confrontare
quantitativamente diverse decisioni di
classificazione utilizzando le probabilità ed i costi
cha accompagnano tali decisioni.
z Assunzioni fondamentali:
¾ il problema della decisione è posto in termini
probabilistici
¾ sono noti i valori di tutte le probabilità rilevanti per il
problema
F. Tortorella © 2005
Teoria e Tecniche di Pattern Recognition
Università degli Studi
Elementi di teoria della decisione 1 di Cassino
1
Fondamenti
z Consideriamo un problema a C classi, con etichette
ωj con j=1,2,…,C.
z Etichettiamo con αi i=1,2,…,C le decisioni che è
possibile prendere.
z Supponiamo di conoscere la probabilità P(ωj) che un
campione appartenga ad una certa classe
(probabilità a priori).
z 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.
Teoria e Tecniche di Pattern Recognition Università degli Studi
z Se non avessimo altre informazioni, la regola

di decisione sarebbe basata interamente
sulle P(ωj).
z Supponiamo, invece, di poter utilizzare un
feature vector N-dimensionale x che, in
questo ambito, è formalizzabile come una
variabile aleatoria N-dimensionale.
z Conosciamo inoltre la funzione di densità di
probabilità condizionata alla classe p(x| ωj).
2
Un esempio di densità di probabilità condizionate alle classi
con C=2.
Teorema di Bayes
z 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.
z 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
3
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
b. 1702, London
verosimiglianze p(x| ωj). d. 1761, Tunbridge Wells,
Kent
Teorema di Bayes
z Possiamo esprimere informalmente la
formula di Bayes come:
Prob. a posteriori=(prob. a priori) x verosimiglianza

evidenza
z In questo modo è chiaro come la conoscenza del
valore (misura) x influisce sul nostro giudizio a
proposito dello stato di natura
4
Le probabilità a posteriori relative alle due classi viste prima,
assumendo P(ω1)=2/3 e P(ω2)=1/3 .

Elementi di teoria della decisione 9
5
Decisione
z 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
z Questa regola di fatto minimizza la probabilità
di errore:
P(errore|x)=min{P(ω1|x) , P(ω2|x)}
Decisione
z 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
z Situazioni particolari:
z 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
z se P(ω1) = P(ω2) la decisione tiene conto solo della
verosimiglianza
6
Il costo atteso
z A fronte dell’osservazione di un f.v. x, qual è
il costo che dobbiamo aspettarci nel caso
prendiamo una decisione αi ?
z 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
La regola di decisione
z Una regola di decisione è una funzione α(x)
che indica quale azione intraprendere per
ogni possibile valore di x osservato.
z 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
7
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
Problemi a due classi

z Nel caso particolare di problemi a due classi,
indichiamo con αi la decisione per la classe
ωi con i=1,2.
z 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)
8
z Ovviamente la regola di decisione farà
scegliere ω1 se R(α1|x)<R(α2|x).
z La stessa condizione si può porre in modo
equivalente in termini di probabilità a
posteriori:
(λ21-λ11)P(ω1|x) > (λ12-λ22)P(ω2|x)
oppure: ω
P(ω1 x ) >1 λ12 − λ22
P(ω2 x ) ω< λ21 − λ11
2 F. Tortorella © 2005

z Ricordando il teorema di Bayes, la
condizione si può scrivere:
ω
p( x ω1 ) >1 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)
z Test del rapporto di verosimiglianza
Likelihood Ratio Test (LRT)
9
non cost-sensitive
z Nel caso di classificazione non cost-sensitive
la decisione deve minimizzare il numero di
errori.
z Questo caso ricade nel precedente a patto di
porre λ21=λ12=1 e λ11=λ22=0 (zero-one loss).
z La condizione diventa quindi:
ω
p( x ω1 ) >1 P(ω 2 )
p( x ω2 ) ω< P(ω1 )
2
cost-sensitive
con λ21>λ12
0-1 loss
10
Probabilità minima di errore
z E’ importante valutare quale sia la minima
probabilità di errore, che fornisce il miglior
risultato raggiungibile.
z Consideriamo il problema a due classi.
Indichiamo con X un generico campione e
con x il f.v. corrispondente.
z Siano inoltre R1 e R2 le due regioni di
decisione e T=R1∪R2 il dominio di x.

z 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 | ω 2 )dx ⋅P(ω 2 ) =
R2 R1
= ∫ p(x | ω1 )P(ω1 )dx + ∫ p(x | ω2 )P(ω2 )dx

R2 R1 F. Tortorella © 2005
di Cassino
11
z 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
z La probabilità minima di errore è quindi:

Pe* = ∫ min{p(x | ω1 )P(ω1 ), p(x | ω2 )P(ω 2 )}dx
T
Teoria e Tecniche di Pattern Recognition Quando viene ottenuta ?
di Cassino
Ottimalità del classificatore

bayesiano
z La probabilità di errore minima viene
raggiunta con la regola di decisione
bayesiana α(x) = argmax{P(ω1|x), P(ω2|x) }.
z Di conseguenza, nei problemi a due classi, il
classificatore costruito con questa regola
(classificatore bayesiano) è il classificatore
ottimo.
12

Problemi multiclasse
z 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
z 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
Pe* = 1− ∫ max p(x | ωi )P(ωi )}dx

T
1≤i≤C { F. Tortorella © 2005
di Cassino
13
Ottimalità del classificatore
bayesiano
z La probabilità di errore minima viene
raggiunta con la regola di decisione
bayesiana α(x) = argmax {P(ωi|x)}.
z Di conseguenza, anche nei problemi
multiclasse, il classificatore classificatore
bayesiano risulta il classificatore ottimo.
Criterio Minimax
z 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.
z Esempi:
z Non conosciamo esattamente la prob. a priori, ma
sappiamo che varia in un certo intervallo.
z Durante la fase operativa del sistema, le prob. a priori
possono cambiare in modo impredicibile.
14
Criterio Minimax
z In questo caso, un approccio ragionevole è
quello di progettare il classificatore in modo
da minimizzare i danni nel caso peggiore
(worst case).
z Ciò equivale a minimizzare il valore massimo
del rischio al variare delle probabilità a priori.
Criterio Minimax
z 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 )
15
Criterio Minimax
z 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 
z Una volta stabilite le regioni di decisione, il
rischio è una funzione lineare di P1. Che cosa
significa ?
Criterio Minimax
Rischio
λ11
λ22
P1 P1
0.0 1.0
Fissata P1, è definito il rischio condizionale complessivo. F. Tortorella © 2005

Che cosa succede se P1cambia? Università degli Studi
di Cassino
16
Criterio Minimax
Rischio
λ22
λ11
P1 P1
0.0 1.0
Per alcuni valori di P1, il rischio condizionale complessivo F. Tortorella © 2005

assume valori inaccettabili. Università degli Studi
di Cassino
Criterio Minimax
z Per limitare il massimo rischio ottenibile, si
sceglie un punto di lavoro tale che, al variare
di P1, il rischio non si modifichi.
z Tale punto coincide con il punto di max del
rischio al variare di P1.
z Di conseguenza, si sceglie il valore di P1 che
massimizza il rischio condizionale
complessivo.
17
Criterio Minimax
Rischio
λ11
λ22
P1
0.0 Pmm 1.0
Criterio Minimax
z In questo caso, il rischio diventa:
R(P1 ) = λ22 + (λ12 − λ22 ) ∫ p (x ω2 )dx =
R1
λ11 + (λ21 − λ11 ) ∫ p(x ω1 )dx

z 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
18
Criterio di Neyman-Pearson
z 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 © 2005
z 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.
z 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!
19
z 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 
R 
2 1
z Da notare:
z Non sono presenti le probabilità a priori
z Le regioni di decisione sono da definire (soluzione
del problema di minimizzazione)
z La funzione obiettivo si può scrivere:
 
F= ∫ p(x ω )dx + λ 1 − ∫ p(x ω )dx − α  = λ (1 − α ) + ∫ [ p(x ω ) − λp(x ω )]dx
1 2 1 2
R2  R2  R2
z 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 © 2005
20
z Il criterio ottenuto è basato sul confronto tra
likelihood ratio ed una soglia (simile al criterio
di Bayes)
z Come otteniamo il valore della soglia λ ?
Imponendo che sia soddisfatto il vincolo
sull’errore.
z Di fatto, bisogna scegliere λ in modo che
ε2=α’ <α
z Come è possibile esprimere l’errore?
z Consideriamo il LR Λ(x) come una v.a., in
quanto è una funzione della variabile
aleatoria x.
z Consideriamo la pdf di Λ condizionata alla
classe ω2
p (Λ ω2 ) = p (Λ (x) x ∈ ω2 )
21
z In questo modo, l’errore è definibile come:
+∞
ε2 = ∫λ p(Λ ω )dΛ = α ′
2
z Purtroppo una soluzione analitica non è

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

z 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.
z In questi casi, alle decisioni possibili si
aggiunge la “decisione di non decidere”, detta
anche rigetto.
22
z Il rischio condizionale diventa:
r se α =‘rigetto’
R(α|x) =
c P(ωi|x) +e (1- P(ωi|x)) se α=ωi
z 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
Classificazione con rigetto:

problemi a due classi
z Consideriamo un problema a due classi cost-
sensitive con costi non uniformi ed opzione di
rigetto.
z Come si particolarizza il criterio di decisione ?
z 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 2 ) = λ21 P(ω1 x) + λ22 P (ω2 x) F. Tortorella © 2005
di Cassino
26
Regola di decisione con rigetto
per il classificatore bayesiano
z 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
Regioni di rigetto
1-t=0.6
24
Curva error/reject
z 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
P r © 2005
1 F. Tortorella
di Cassino

z Anche il rigetto avrà un suo costo (inferiore a
quello di un errore).
z Assumiamo una funzione di costo del tipo:
c se i=j
λij= e se i≠j
r se i=‘rigetto’
25
z 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 
R 
2 1
z Da notare:
z Non sono presenti le probabilità a priori
z Le regioni di decisione sono da definire (soluzione
del problema di minimizzazione)
z La funzione obiettivo si può scrivere:
 
F= ∫ p(x ω )dx + λ 1 − ∫ p(x ω )dx − α  = λ (1 − α ) + ∫ [ p(x ω ) − λp(x ω )]dx
1 2 1 2
R2  R2  R2
z 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 © 2005
20
z 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
z Analogamente per l’assegnazione alla classe
ω2: p (x ω1 ) λ0 − λ22 P2
≤
p (x ω2 ) λ21 − λ0 P1
con R(α 2 ) = min{RUniversità (α 2 )}
(α1 ),degliRStudi
di Cassino

z 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
27
Funzioni discriminanti
z Una rappresentazione utile dei classificatori è
in termini di un insieme di funzioni
discriminanti gi(x) i=1,…,C.
z Un campione con f.v. x viene assegnato alla
classe ωi se gi(x) > gj(x) j≠i.
z 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.
28
z Un classificatore bayesiano può essere facilmente
rappresentato in termini di funzioni discriminanti ed in
diversi modi.
z Caso generale: gi(x) = -R(αi|x)
z Non cost-sensitive: gi(x) = P(ωi|x)
z In generale, la scelta delle funzioni discriminanti non
è unica. Può essere usata ogni funzione monotona di
P(ωi|x):
z gi(x) = p(x|ωi) P(ωi)
z gi(x) = ln P(ωi|x)= ln p(x|ωi) + ln P(ωi)
z Le funzioni discriminanti definiscono
immediatamente le regioni di decisione:
{
Ri (x ) = x g i (x ) > g j (x ) ∀j ≠ i }
z La frontiera di decisione tra due classi ωi e ωj
è definita come:
{
Γij (x ) = x g i (x ) = g j (x ) j ≠ i }
29
Funzioni discriminanti per

classificatori a due classi
z Per il classificatore a due classi (dichotomizer)
è consueto definire un’unica funzione
discriminante:
ω1
g(x) ≡ g1 (x) − g 2 (x) > 0

<
ω2
z In tal modo, la decisione avviene in base al
segno della g(x)
30
Funzioni discriminanti per
classificatori a due classi
z 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 )
p( x ω1 ) λ21 − λ11 P(ω1 )

g(x) = ln + ln + ln
p( x ω2 ) λ12 − λ22 P(ω2 )
cost-sensitive
Funzioni di densità normali

z Un caso notevole è dato dalle funzioni di
densità gaussiane (o normali).
z 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.
31
z Nel caso di f.v. a d dimensioni, le densità
sono definite come:
 1 
p(x|ωi ) = Ai exp − (x − µ i )T Σ i−1(x − µ i )
 2 
1 µ i = E [x|ωi ]
Ai = 1/ 2 Vettore delle medie
( 2π)d/ 2 Σ i
[
Σ i = E (x-µ i )(x-µ i )T|ωi ]
Matrice di covarianza

z Consideriamo i singoli componenti di µ e Σ.
z 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 ]
32
z 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 )]
Proprietà della matrice di

covarianza
z Matrice simmetrica: σ ij = σ ji
z Gli elementi sulla diagonale sono le varianze delle
componenti: σ ii = σ i2
z Gli elementi fuori dalla diagonale sono le covarianze
delle componenti e σ ij ≤ σ iσ j
z Se xi e xj tendono a crescere insieme, allora σij>0.
z Se xi tende a crescere quando xj tende a
decrescere, allora σij<0.
z Se xi e xj sono statisticamente indipendenti, allora
σij=0.
33
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
xi xi
σ ij > 0 σ ij < σ iσ j σ ij = σ iσ j
di Cassino

z I campioni estratti da una popolazione con
pdf normale tendono a disporsi in una singola
“nuvola”.
z Il centro della regione è definito dal vettore
delle medie, mentre la forma della regione è
determinata dalla matrice di covarianza.
z 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 © 2005
34
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
Classificatore bayesiano con

densità normali
z Nel caso di classificazione non cost-sensitive,
le funzioni discriminanti possono essere poste:
g i (x) = ln p (x ωi ) + ln P (ωi )
z Se le densità sono normali:
1 1 d
g i(x) = − (x − µ i )T Σ i−1(x − µ i )- ln Σ i − ln 2π + ln P(ωi )
2 2 2
z In generale, il classificatore ottimale è un
classificatore quadratico.
35
Densità normali
caso Σi=σ2I
z Se le features sono statisticamente
indipendenti e hanno uguale varianza σ2, la
forma di gi(x) si semplifica:
1
Σ i−1 = 2 I Σ i = σ 2 d (costante risp. a i)
σ
2
(x − µ i )T (x − µ i ) x − µi
g i(x) = − 2
+ ln P(ωi ) = − + ln P(ωi )
2σ 2σ 2
distanza euclidea
Densità normali
caso Σi=σ2I
z Valutiamo la gi(x):
1
[ ]
g i(x) = − 2 xT x − 2µTi x + µTi µ i + ln P(ωi )
2σ
z 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 Ti x + w i 0
σ 2σ
36
Densità normali
caso Σi=σ2I
d=1 d=2 d=3
Densità normali
caso Σi=σ2I
z 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
z Nel caso in esame l’equazione della frontiera

si può scrivere w T (x − x 0 ) = 0 dove:
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 )
37
Al cambiare delle P(ωi) le frontiere di decisione si spostano
Densità normali
caso Σi= Σ
z Anche in questo caso, la forma delle gi(x) si
semplifica:
1 1 d
g i(x) = − (x − µ i )T Σ i−1(x − µ i )- ln Σ i + ln P(ωi ) − ln 2π
2 2 2
1
g i(x) = − (x − µ i )T Σ −1(x − µ i ) + ln P(ωi )
2
g i(x) = w Ti x + wi 0
w i = Σ −1µ i 1
wi 0 = − µTi Σ −1µ i + ln P(ωi )
2 di Cassino
38
Densità normali
caso Σi= Σ
z Anche in questo caso l’equazione della
frontiera si può scrivere w (x − x 0 ) = 0 dove:
T
w = Σ −1 (µ i − µ j )
 P(ωi ) 
ln
P(ω j ) 
x 0 = (µ i + µ j ) − (µ − µ )
1 
2 (µ i − µ j )T Σ −1 (µ i − µ j ) i j
Le frontiere di decisione non sono più ortogonali a µi-µj

39
Criteri di decisione per problemi a
due classi: Valutazione
z Finora abbiamo visto diversi (equivalenti)
criteri di decisione per problemi a due classi:
ω1
p (x ω1 ) > λ12 − λ22 P(ω2 )
z Likelihood ratio: p(x ω2 ) < λ21 − λ11 P(ω1 )
ω2
ω1
 p(x ω1 )  >  λ12 − λ22 P(ω2 ) 
z Log-Likelihood ratio: ln  ln 
 p(x ω2 )  ω<  λ21 − λ11 P(ω1 ) 
 
2
z In generale, il criterio di decisione è del tipo:

ω1
L ( x) > γ
< F. Tortorella © 2005
ω2 Università degli Studi

z La soglia utilizzata è definita sulla base delle
probabilità a priori delle classi e della matrice dei
costi.
z Il primo membro, invece, è indipendente da tali
parametri.
z Nel valutare il criterio di decisione, quindi, dovremo
tenere conto di questo e decidere che cosa valutare:
z 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)
z La capacità intrinseca del classificatore a discriminare tra
le due classi, indipendentemente dal decision bias.
40
z 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 )

z Nella formulazione del rischio si identificano
due tipi di contributi:
z λij , Pi : legati al particolare problema, indipendenti
dal classificatore
z δ1 (γ ) ε 2 (γ ) δ 2 (γ ) ε 1 (γ ) : intrinseci al classificatore,
indipendenti dal problema
z 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.
41
Denominazioni
(uno, nessuno e centomila…)
z 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:
z Type I, type II error
z PF (false alarm),PM (miss),PD (detection)(PH hit),
PCR (correct rejection)
z TPR, FPR, TNR, FNR (True Positive, False
Positive, True Negative, False Negative)
FNR, PM
TPR, PH, PD
TNR, PCR
FPR, PF
42
Denominazioni
z Scegliamo di adottare la notazione che adopera le
seguenti denominazioni:
z TPR=1-FNR
z FPR=1-TNR
z Sulla base delle caratteristiche del problema
possiamo adottare una delle due convenzioni:
z TPR(γ)= δ 1 (γ ) FPR(γ)= ε 2 (γ )
z TPR(γ)= δ 2 (γ ) FPR(γ)= ε 1 (γ )
z Questi valori si possono visualizzare graficamente

su un piano (piano della curva ROC o ROC space).
Il piano ROC
1
FPR(γ) FNR(γ) Date le relazioni:

FNR(t) = 1 − TPR(γ )
FPR(t) = 1 − TNR(γ )
TPR
per caratterizzare
completamente le prestazioni
TNR(γ)
del classificatore in
corrispondenza della soglia t
TPR(γ) sono sufficienti due valori,
es.: FPR(γ) e TPR(γ)
0
0 FPR 1
43
La curva ROC
1.0
z 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
classificatore. 0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
FPR F. Tortorella © 2005
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
44
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
Proprietà della curva ROC

relativa al LRT
z La curva ROC ha concavità rivolta verso il
basso.
z È al di sopra della retta TPR=FPR.
z La pendenza della curva in un particolare
punto è uguale al valore della soglia
λ − λ P(ω )
η= 12
λ − λ P(ω )
richiesta per ottenere TPR e FPR
22 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)
45
Rette isoscosto
z 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 )]
z Il rischio associato ad un punto (FPR,TPR)
sul piano ROC sarà quindi:
λ11 P1 ⋅ TPR + λ12 P2 ⋅ FPR + λ21 P1 [1 − TPR ] + λ22 P2 [1 − FPR ]
che può scriversi:
P1 ⋅ (λ11 − λ21 ) ⋅ TPR + P2 ⋅ (λ12 − λ22 ) ⋅ FPR + P1 ⋅ λ21 + P2 ⋅ λ22
Rette isoscosto
z 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 )
46
Rette isocosto
z 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.
z Ogni combinazione di probabilità a priori e di
costi definisce un fascio di rette isocosto.
Rette isocosto
1.0
Le rette del fascio che
sono disposte più in
alto e a sinistra sono 0.8
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 © 2005 1.0
FPR Università degli Studi
47
Definizione della soglia ottima
z Data una combinazione di probabilità a priori
e di costi, qual è il punto di lavoro ottimale
sulla curva ROC ?
z Tale punto deve giacere
z sulla curva ROC
z sulla retta del fascio più “in alto e a sinistra”

non realizzabile
1.0
ottima
0.8
subottima
0.6
TPR
Rischio
crescente
0.4
0.2
0.0
0.0 Recognition
Teoria e Tecniche di Pattern 0.2 0.4 0.6 0.8 1.0 F. Tortorella © 2005
48
Criterio di Bayes
z Il punto di lavoro ottimo è definito dalla retta
del fascio (identificato da probabilità a priori e
costi) tangente alla curva ROC.
z La soglia ottima è di conseguenza quella
associata al punto di lavoro ottimo trovato.
z Nel caso stiamo considerando il LRT,
ritroviamo il criterio di Bayes.

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 © 2005
Teoria e Tecniche di Pattern Recognition FPR
49
z In questo contesto, il criterio di Neyman-
Pearson specifica un FPR (o un FNR)
massimo accettabile.
z 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).
1.0
1-FNRmax 0.8
0.6
TPR
0.4
0.2 FPRmax
0.0
0.0 Recognition
50
Criterio Minimax
z 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
z 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
Criterio Minimax
z Semplificando, la relazione identifica nel
piano ROC la retta :
(λ21 − λ11 ) ⋅ TPR + (λ12 − λ22 ) ⋅ FPR + λ22 − λ21 = 0
z Di conseguenza, il punto di ottimo per il
criterio minimax è dato dall’intersezione della
retta sopra definita con la curva ROC.
51
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
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 F. Tortorella
0.0
Teoria e Tecniche di Pattern Recognition 0.2 0.4 0.6 0.8 1.0© 2005
52
Stima della curva ROC
z Come ricavare la curva ROC quando la regola di
decisione è realizzata da un classificatore e non
sulla base delle pdf condizionate ?
z Consideriamo un problema a due classi (definiamole
genericamente “classe dei positivi” e “classe dei
negativi”).
z 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.

z 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).
z Sottoponiamo i campioni di S al classificatore
e, per ogni campione i, valutiamo la risposta
f(i).
i f(i)
classificatore
di Cassino
53
z 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.
z In questo modo, però, si possono ottenere
risultati inaccurati.
z Alternativa: algoritmi che impiegano come
possibili soglie tutti i valori forniti dal
classificatore.
Generazione della curva ROC

su un insieme di campioni
54
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 © 2005

z La curva ottenuta non è 1.0
continua e presenta delle

concavità locali.
0.8
z Tuttavia, quanto detto in
precedenza sulla
definizione del punto di 0.6
lavoro ottimo resta valido.

TPR
z 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© 2005
F. Tortorella 1.0
Teoria e Tecniche di Pattern Recognition FPR
55
Scelta della soglia ottima
non realizzabile
1.0 ottima
La soglia
ottimale si 0.8 subottima
ricava in
corrispondenza
0.6
del punto di
tangenza tra il
TPR
fascio di rette 0.4

Rischio crescente
ed il convex
hull della curva 0.2
ROC curve
Convex Hull
ROC.
0.0
0.0 0.2 0.4 0.6 Università degli
0.8 1.0 Studi
Elementi di teoria della decisione 111 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
migliore solo se c’è
0.6
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 © 2005

0.0
Teoria e Tecniche 0.2
di Pattern 0.4
Recognition 0.6 0.8 1.0
56
La curva ROC: valutazione dei
classificatori
1.0
C1 In questo caso non si
può affermare con
chiarezza quale sia il
0.8
classificatore
C2 migliore.
0.6
Tuttavia è possibile
TPR
realizzare un
0.4 confronto tra i due
classificatori in
termini di Area
0.2
sottesa alla curva
ROC (AUC).
0.0 F. Tortorella © 2005
0.0 0.2 0.4 0.6 0.8 1.0
di Cassino
L’AUC come parametro sintetico

per la valutazione
z L’AUC varia tra 0.5 (classificatore completamente casuale) e 1.0
(classificatore ideale).
z Come interpretare i valori intermedi ? Che cosa possiamo
concludere se AUC1>AUC2 ?
z 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.
z 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
57
Dimostrazione informale del
significato dell’AUC
Valutiamo il rettangolo sotteso 1.0
alla curva mostrato in figura.

Pr ( f ( X ) > γ X ∈ PosClass )
L’area è uguale a:
0.8
Pr ( f ( X ) > γ )* Pr (γ − ∆γ < f (Y ) ≤ γ )
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
tutti i rettangoli sottesi alla
Pr ( f (Y ) > γ Y ∈ NegClass )
curva, si ottiene 0.2
Pr ( f ( X ) > f (Y ) ) Pr ( f (Y ) > γ − ∆γ Y ∈ NegClass )
0.0 F. Tortorella
Teoria e Tecniche di Pattern Recognition 0.0 0.2 0.4 0.6 0.8 © 2005
1.0
AUC e accuratezza a confronto

z L’AUC fornisce la probabilità di corretto ordinamento una valutazione
diversa dall’accuratezza (accuracy), che è legata alla probabilità di
errore del classificatore.
z 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
© 2005
58
Calcolo dell’AUC
z Dalla definizione, un modo per calcolare l’AUC è
quello di eseguire il calcolo numerico dell’integrale
della curva sperimentale
z 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 if x< y
N ⋅P 
Statistica di Wilcoxon-Mann-Whitney
59

Lingua

2 - Elementi Di Teoria Della Decisione - PDF

Caricato da

Informazioni sul documento

Descrizione:

Titolo originale

Copyright

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Descrizione:

Copyright:

2 - Elementi Di Teoria Della Decisione - PDF

Titolo originale:

Caricato da

Descrizione:

Copyright:

Elementi di teoria

Teoria bayesiana della

z Se non avessimo altre informazioni, la regola

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

Teoria e Tecniche di Pattern Recognition

α(x) = argmin R(αi x )

Problemi a due classi

Problemi a due classi

dove il membro di sinistra si definisce

Problemi a due classi

Probabilità minima di errore

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

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

z La probabilità minima di errore è quindi:

Ottimalità del classificatore

Probabilità minima di errore

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

Pe* = 1− ∫ max p(x | ωi )P(ωi )}dx

dove P1 = P(ω1 ) P2 = P(ω2 )

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

Fissata P1, è definito il rischio condizionale complessivo. F. Tortorella © 2005

Per alcuni valori di P1, il rischio condizionale complessivo F. Tortorella © 2005

λ11 + (λ21 − λ11 ) ∫ p(x ω1 )dx

e, nel caso λ11=λ22

che può scriversi:

ε 1 = ∫ p(x ω1 )dx ε 2 = ∫ p (x ω2 )dx

z Per minimizzare la f.o. occorre minimizzare

z Purtroppo una soluzione analitica non è

Classificazione con rigetto

ωi se P(ωi|x) > P(ωj|x) ∀i≠j and

Classificazione con rigetto:

ωi se P(ωi|x) > P(ωj|x) ∀i≠j and

Classificazione con rigetto

z Per minimizzare la f.o. occorre minimizzare

Classificazione con rigetto:

Funzioni discriminanti per

g(x) ≡ g1 (x) − g 2 (x) > 0

g(x) = P(ω1 x ) − P(ω2 x )

p( x ω1 ) λ21 − λ11 P(ω1 )

Funzioni di densità normali

Funzioni di densità normali

Proprietà della matrice di

Funzioni di densità normali

Classificatore bayesiano con

d=1 d=2 d=3

z Nel caso in esame l’equazione della frontiera

Le frontiere di decisione non sono più ortogonali a µi-µj

z In generale, il criterio di decisione è del tipo:

Criteri di decisione per problemi a

Criteri di decisione per problemi a

z Questi valori si possono visualizzare graficamente

FPR(γ) FNR(γ) Date le relazioni:

Proprietà della curva ROC

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

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

quelle cui compete il

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

Definizione della soglia ottima

Definizione della soglia ottima

Stima della curva ROC

Generazione della curva ROC