1
Học Máy
– Cây quyết định
– Mạng neural
2
Học Máy
• Học (learning) là bất cứ sự thay đổi nào trong một
hệ thống cho phép nó thi hành tốt hơn ở lần thứ hai
khi lặp lại cùng một nhiệm vụ hoặc với nhiệm vụ
khác từ tập các nhiệm vụ.
• Học liên quan đến vấn đề khái quát hóa từ kinh
nghiệm (dữ liệu huấn luyện) => bài toán quy nạp
• Nhiệm vụ học
– Xác định người học cần học cái gì ?
– Người học cần được cung cấp những gì ?
– Đánh giá thành tích học
3
Một số khái niệm
• Tập ví dụ huấn luyện (training set, training example): Là các
ví dụ đã biết trước kết quả phân lớp cũng như các giá trị của
các thuộc tính, dùng để xây dựng nên cây quyết định.
• Mẫu (instance): Là một trường hợp cụ thể cần phân lớp. Một
mẫu là một ví dụ cụ thể, biết một số hay toàn bộ các giá trị
của các thuộc tính song không biết giá trị của thuộc tính phân
lớp.
• Thuộc tính đích (target distribute): Là thuộc tính chỉ ra một ví
dụ thuộc một lớp nào đó, còn có tên gọi khác là thuộc tính
phân lớp.
• Hàm học (target function/ learning function): VD cây quyết
định cần xây dựng, có chức năng phân lớp các mẫu.
4
Một số khái niệm
• Ví dụ: Phân loại ba loại quả Mơ, Mận, Đào:
– Xác định hàm f: từ tập M là tập gồm 3 loại quả Mơ,
Mận, Đào => Tên quả = {Mơ, Mận, Đào}.
Hàm f gọi là hàm mục tiêu hay còn gọi là hàm học
a M: f(a) = Mơ hoặc Mận hoặc Đào
– Tập các ví dụ huấn luyện: D={(a, b)| a M, b là tên
quả}
– Đánh giá thành tích: Cho xác định tên quả, xác định tỉ
lệ đúng
5
Cây quyết định