Data Mining Kompaktkurs an der Berufsakademie Mannheim Februar 2003 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 2 Übersicht 1. Einführung .................................................................................................................................................................. 4 1.1. Wozu ist Data Mining gut? ................................................................................................................................. 4 1.2. Der Data Mining Prozess .................................................................................................................................... 4 1.3. Kosten-Nutzen-Rechnung am Beispiel einer Direktmailingaktion ..................................................................... 5 1.4. Übersicht über die Methoden des Data Mining .................................................................................................. 6 1.4.1. Statistische Methoden ................................................................................................................................. 6 1.4.2. Fallbasiertes Schließen................................................................................................................................ 7 1.4.3. Entscheidungsbäume................................................................................................................................... 7 1.4.4. Neuronale Netze ......................................................................................................................................... 8 1.4.5. Genetische Algorithmen ............................................................................................................................. 9 2. Entscheidungsbäume ................................................................................................................................................ 10 2.1. Induktives Lernen .................................................................................................................................................. 10 2.2. Lernen von Entscheidungsbäumen ................................................................................................................... 11 2.2.1. Entscheidungsbäume als Performanzelemente ......................................................................................... 11 2.2.2. Induktion von Entscheidungsbäumen aus Beispielen ............................................................................... 12 2.2.3. Abschätzung der Performanz des Lernalgorithmus .................................................................................. 14 2.2.4. Praktischer Gebrauch des Entscheidungsbaum-Lernens ........................................................................... 15 2.3. Die Verwendung der Informationstheorie ........................................................................................................ 16 2.3.1. Das Prinzip des Informationsgewinns ....................................................................................................... 16 2.3.2. Rauschen und Overfitting ......................................................................................................................... 17 2.3.3. Erweiterung der Anwendbarkeit von Entscheidungsbäumen ................................................................... 18 3. Lineare und Nichtlineare Entscheidungsbäume ........................................................................................................ 18 3.1. Geometrische Interpretation.............................................................................................................................. 18 3.2. Lineare Entscheidungsbäume ........................................................................................................................... 19 3.3. Nichtlineare Entscheidungsbäume .................................................................................................................... 19 4. Neuronale Netze ....................................................................................................................................................... 21 4.1. Gehirn und Computer ....................................................................................................................................... 21 4.1.1. Struktur und Arbeitsweise des Gehirns ..................................................................................................... 21 4.1.2. Vergleich zwischen Gehirn und Computer ............................................................................................... 21 4.2. Neuronale Netze ............................................................................................................................................... 22 4.2.1. Grundbegriffe............................................................................................................................................ 22 4.2.2. Notationen ................................................................................................................................................. 22 4.2.3. Einfache Rechenelemente ......................................................................................................................... 23 4.2.4. Netzstrukturen ........................................................................................................................................... 24 4.2.5. Optimale Netzstrukturen ........................................................................................................................... 25 4.3. Perzeptrone ....................................................................................................................................................... 25 4.3.1. Struktur von Perzeptronen ........................................................................................................................ 25 4.3.2. Repräsentationsfähigkeit von Perzeptronen .............................................................................................. 26 13.3.3. Erlernen linear separierbarer Funktionen .................................................................................................. 26 4.4. Mehrschichtige zyklenfreie Netze .................................................................................................................... 27 4.4.1. Back-Propagation-Lernen ......................................................................................................................... 27 4.4.2. Eigenschaften des Back-Propagation-Lernens .......................................................................................... 28 4.5. Anwendungen Neuronaler Netze ...................................................................................................................... 29 4.5.1. Englische Aussprache ............................................................................................................................... 29 4.5.2. Erkennen von Handschrift ........................................................................................................................ 30 4.5.3. Autofahren ................................................................................................................................................ 30 5. Der prudsys DISCOVERER ..................................................................................................................................... 31 5.1. Einige wichtige Begriffe ................................................................................................................................... 31 5.1.1. Lern-, Evaluierungs- und Klassifikationsdatenbank ................................................................................. 31 5.1.2. Merkmalstypen ......................................................................................................................................... 31 5.1.3. Fehlende Werte ......................................................................................................................................... 31 5.1.4. Transformation und Normierung .............................................................................................................. 32 5.2. Gains-Chart, Lift-Chart, Segment-Fortschrittsanzeige ..................................................................................... 32 5.2.1. Gains-Chart ............................................................................................................................................... 32 5.2.2. Lift-Chart .................................................................................................................................................. 33 5.2.3. Die Segment-Fortschrittsanzeige .............................................................................................................. 33 5.3. Die Baumdarstellung ........................................................................................................................................ 34 5.4. Kostenanalyse ................................................................................................................................................... 35 Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 3 Literatur Berry, M.J.A., Linoff, G. (1997), Data Mining Techniques. For Marketing, Sales, and Customer Support. John Wiley & Sons, Inc., New York. Hand, D., Mannila, H., Smyth, P. (2001), Principles of Data Mining. MIT Press, Cambridge, Mass. Prudential Systems Software GmbH (2001), prudsys DISCOVERER 3.0. User Guide, Chemnitz. Russel, S., Norvig, P. (1995), Artificial Intelligence. A Modern Approach. Prentice Hall, Upper Saddle River, NJ. Witten, I.A., Frank, E. (2000) Data Mining. Practical Machine Learning Tools and Techniques with Java Implementations. Academic Press, San Diego, CA. Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 4 1. Einführung 1.1. Wozu ist Data Mining gut? Die wichtigsten kommerziellen Einsatzgebiete des Data Mining sind die folgenden: Direktmarketing Direktmailing Außendienst Kundenprofile Erstellung von Kundenprofilen Top-Kunden-Analyse Neukundengewinnung Kündigerprävention Handel eCommerce Finanz- und Versicherungswirtschaft Risikoanalyse (Credit Scoring) Missbrauchsentdeckung (Fraud Detection) 1.2. Der Data Mining Prozess Data Mining ist keine einzelne Methode, sondern ein Prozess, der in sechs Phasen verläuft und in dem verschiedene Methoden zum Einsatz kommen können. Die Grundlage des Prozesses sind die Daten in einer Datenbank. Die einzelnen Phasen sind 1. Verstehen des Geschäftsproblems Definition der Aufgabe, vgl. dazu Abschnitt 1.1, Festlegung der Erfolgskriterien. 2. Verstehen der Daten Überblick über alle zentral oder dezentral vorhandenen Daten, die das Geschäftsproblem betreffen, Klärung des Zugriffs auf die Daten. 3. Aufbereitung der Daten Sichtung und Behandlung fehlerbehafteten oder fehlenden Datenmaterials. Mögliche Schritte hierfür sind Löschen von Datensätzen mit fehlenden Werten, Ersetzung nicht vorhandener Merkmalswerte, Identifizierung von Ausreißern mit Hilfe explorativer Untersuchungen, Bestimmung einer für das Geschäftsproblem relevanten Teilmenge der Daten. 4. Modellbildung Identifizierung eines Kunden- oder Produktsegments, das signifikant andere Eigenschaften als die Gesamtheit aller Kunden bzw. Produkte hat, z.B. durch Segmentierung der Daten mittels Data Mining. Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 5 5. Bewertung der Ergebnisse Soll-Ist-Vergleich mit kritischer Bewertung der Resultate des Data Mining, eventuell Hinzunahme weiterer Daten. 6. Individuelle Lösung Umsetzung der Data Mining Ergebnisse, d.h. Integration in die täglichen Geschäftsabläufe, eventuell Entwicklung einer individuellen Lösung in Form von Spezialsoftware. Der Ablauf des Data Mining Prozesses ist in Abbildung 1.1 graphisch dargestellt. Abbildung 1.1 1.3. Kosten-Nutzen-Rechnung am Beispiel einer Direktmailingaktion Wichtige Begriffe beim Direktmailing: Ausstattungsdichte Relation zwischen der Gesamtauflage eines Werbemittels, z.B. Katalog oder Werbemailing, und der Gesamtzahl aller potentiell zur Verfügung stehenden Haushalte einer Kundendatenbank. Die Ausstattungsdichte beeinflusst die Kosten: Je höher die Ausstattungsdichte, desto höher die Kosten. Responserate Anteil an Haushalten, die auf eine Mailingaktion positiv reagieren, z.B. Bestellung, Abonnement oder Ähnliches. Die Responserate beeinflusst auf den zu erwartenden Nettoumsatz und damit auf den Gewinn. Kosten-Umsatz-Relation (KUR) Maß für den prozentualen Werbemittelanteil am Nettoumsatz, wird nach folgender Formel berechnet: KUR Berufsakademie Mannheim Februar 2002 100% Werbekoste n Nettoumsat z Prof. Dr. Werner Dilger Data Mining - Einführung Seite 6 Bei festem Nettoumsatz ist die KUR ein Maß für den notwendigen Werbemitteleinsatz zur Erzielung dieses Umsatzes. Ist z.B. KUR = 10%, dann können mit 10 € Werbemittel 100 € Nettoumsatz erzielt werden. Deckungsbeitrag (DB) Es werden zwei Formen des Deckungsbeitrags definiert, eine ohne und eine mit Berücksichtigung der Werbekosten: DB I = Nettoerlös – variable Kosten DB II = Nettoerlös – variable Kosten – Werbekosten Der Zusammenhang zwischen Nettoumsatz, Deckungsbeiträgen und Ausstattungsdichte lässt sich wie in Abbildung 1.2 graphisch darstellen. Bestellwert Nettoumsatz DB I Werbekosten DB II 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Ausstattungsdichte Abbildung 1.2 1.4. Übersicht über die Methoden des Data Mining 1.4.1. Statistische Methoden Wichtige Aufgaben beim Data Mining sind die Korrelationsanalyse, die Hauptkomponentenanalyse, die Regressionsanalyse und das Clustering. Zur Lösung dieser Aufgaben können herkömmliche statistische Methoden, aber auch andere Verfahren, z.B. spezielle Neuronale Netze, eingesetzt werden. Bei der Korrelationsanalyse geht es darum, Beziehungen zwischen verschiedenen Daten dadurch zu finden, dass man die Werte bestimmter Attribute in den Datensätzen vergleicht. Lässt sich bei einem signifikant großen Teil der Werte eine feste Relation, etwa Gleichheit oder ein funktionaler Zusammenhang wie x = f(y), feststellen, dann gelten die Daten als korreliert. Bei der Hauptkomponentenanalyse geht es darum, diejenigen Attribute von Datensätzen zu bestimmen, die die Datensätze charakterisieren, d.h. die die wichtigsten zur Beschreibung der Datensätze sind. In der Regel Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 7 ist dies nur ein kleiner Teil der Attribute, und es ist dann möglich, sich bei weiteren Untersuchungen der Datensätze auf diese Attribute zu beschränken. Die Regressionsanalyse untersucht Zeitreihendaten. Sie betrachtet die in der Vergangenheit etwa bei Reihenmessungen angefallenen Daten und versucht, aus dem zeitlichen Verlauf eines einzelnen oder mehrerer Werte den nächst folgenden Wert bzw. die nächst folgenden Werte zu prognostizieren. Beim Clustering wird eine Menge von Daten in Teilmengen ähnlicher Daten unterteilt. Es wird angenommen, dass die Daten durch Datensätze gleicher Struktur beschrieben sind. Dann sind sich Daten ähnlich, wenn sie in bestimmten ausgesuchten Attributen weitgehend übereinstimmende Werte haben. Clustering wird also immer relativ zu bestimmten Attributen gemacht. 1.4.2. Fallbasiertes Schließen Die Idee des fallbasierten Schließens ist, Beispiele gelöster Probleme aus einem bestimmten Anwendungsbereich abzuspeichern um sie später zur Lösung neuer, aber ähnlich gearterer Probleme heranziehen zu können. Dazu müssen die Beispielprobleme zusammen mit ihrer Lösung in einem geeigneten Format dargestellt werden und in einer speziellen Datenbank, der Fallbasis, abgespeichert werden. Ein Paar bestehend aus Problembeschreibung und zugehöriger Lösung heißt Fall. Liegt ein neues Problem vor, dann muss dieses zunächst in dem vorgegebenen Format dargestellt werden. Dann können die Problembeschreibungen der in der Fallbasis vorhandenen Fälle durchsucht werden um eine zum neuen Problem möglichst ähnliche Beschreibung zu finden. Dafür benötigt man ein Ähnlichkeitsmaß für die Problembeschreibungen. Der Fall mit der ähnlichsten Problembeschreibung wird genommen und seine Lösung als mögliche Lösung des neuen Problems ausgegeben. Eine Anpassung der gefundenen Lösung an die neuen Gegebenheiten kann u.U. erforderlich sein. Problem- und Lösungsbeschreibungen können in beliebigen Formaten definiert werden. Der einfachste und häufig vorkommende Fall ist, dass die Problembeschreibung aus einer Reihe von Parameterwerten besteht und die Lösungsbeschreibung ein einzelner Parameterwert ist. Ein Fall ist dann ein gewöhnlicher Datensatz bestehend aus den Werten einer Reihe von Attributen. Im Fall von numerischen Werten lässt sich das Ähnlichkeitsmaß als Hammingdistanz zwischen den Datensätzen definieren. 1.4.3. Entscheidungsbäume Es sei eine Menge von Datensätzen mit n Attributen gegeben. Jeder Datensatz charakterisiert ein bestimmtes Objekt und wird als Beispiel bezeichnet. Geometrisch betrachtet kann man ein Beispiel als Punkt im n-dimensionalen Raum auffassen. Jedes Attribut muss eine kleine Menge diskreter Werte als Wertebereich haben. Bei Attributen mit kontinuierlichen Wertebereichen muss eine Diskretisierung vorgenommen werden. Eines der Attribute wird als Zielattribut ausgewählt oder es wird ein neues Attribut als Zielattribut eingefügt. Das Zielattribut habe m verschiedene diskrete Werte. Mittels eines speziellen Algorithmus wird nun ein Entscheidungsbaum konstruiert. Die Konstruktion verläuft in folgenden Schritten: 1. Wähle ein Attribut a (außer dem Zielattribut) aus und entferne a aus der Menge der zur Verfügung stehenden Attribute. a habe die Werte w1, w2, ..., wk. 2. Unterteile die Menge der vorhandenen Beispiele so in k Teilmengen, dass das Attribut a in der j-ten Teilmenge nur den Wert wj hat. 3. Führe die Schritte 1. und 2. für jede der k Teilmengen und die reduzierte Attributmenge durch. Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 8 Dieser rekursive Algorithmus stoppt, wenn alle Attribute aufgebraucht sind oder wenn die Beispielmenge leer wird oder wenn die Beispielmenge homogen wird, d.h. wenn jedes Attribut für alle Beispiele in der Menge den selben Wert hat. In der Regel wird von dem Algorithmus eine graphische Struktur aufgebaut, und zwar ein Baum. Die Knoten des Baums werden von den Beispielmengen gebildet, insbesondere der Wurzelknoten von der Menge aller am Anfang vorliegenden Beispiele, die Kanten von den Werten des an einem Knoten ausgesuchten Attributs. Homogene Beispielmengen bilden Blätter im Baum. Die Beschriftung eines Wegs von der Wurzel zu einem Blatt beschreibt, unter welchen Bedingungen, d.h. bei welchem Wert für das jeweils ausgewählte Attribut, die am Blatt stehende Menge zustande kommt. Der Entscheidungsbaum kann als Klassifikator verwendet werden, er gibt für jedes neue Beispiel an, zu welchem Blatt, also zu welcher Teilmenge, es gehört. 1.4.4. Neuronale Netze Ein Neuronales Netz ist ein gerichteter Graph, dessen Knoten, genannt Einheiten, selbständig rechnende Einheiten sind. Die Kanten verbinden die Knoten in verschiedenen typischen Formen, wodurch sich unterschiedliche Typen von Netzen ergeben. Man unterscheidet zwei Hauptklassen von Neuronalen Netzen, die Feed-forward-Netze und die rekurrenten Netze, danach, ob der zugrunde liegende Graph zyklenfrei ist oder nicht. Häufig sind die Knoten in Teilmengen, genannt Schichten, unterteilt. Die Schichten sind geordnet, etwa als S1, S2, ..., Sn. Kanten werden bei geschichteten Netzen nur zwischen Knoten aufeinander folgender Schichten gesetzt, d.h. nur zwischen Si und Si+1 (i = 1, ..., n-1). Abbildung 1.3 zeigt ein geschichtetes Feed-forward-Netz. Eingabeschicht Ausgabeschicht . . . . . . . . . . . . . . . verborgene Schichten Abbildung 1.3 Die Einheiten bestehen meist aus zwei Teilen. Jeder Teil wird durch eine Funktion gebildet. Die beiden Teile, d.h. die beiden Funktionen, sind nacheinander angeordnet, so dass die Ausgabe der ersten Funktion Eingabe der zweiten ist. Die erste Funktion erhält ihre Eingaben über die Kanten, die zu ihr führen, von den vorgeschalteten Einheiten, und die zweite Funktion überträgt ihre Ausgabe über Kanten an nachgeschaltete Einheiten. Die erste Funktion ist eine Integrationsfunktion, die aus der Menge der Eingaben einen einzelnen Wert berechnet. Meist wird dazu die Addition benutzt. Die zweite Funktion, genannt Aktivierungsfunktion, ist meist eine Schwellenwertfunktion. Bei mehrschichtigen Netzen ist es insbesondere die Sigmoidfunktion wegen der einfachen Differenzierbarkeit. Die Eingänge in eine Einheit, d.h. die eingehenden Kanten, sind gewichtet. Jeder Eingang xi hat ein eigenes Gewicht wi. Eine typische Einheit ist in Abbildung 1.4 dargestellt. Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 9 x1 w1 x2 w2 w3 x3 y + w4 x4 w5 x5 Integrationsfunktion Aktivierungsfunktion Abbildung 1.4 Ein Neuronales Netz kann trainiert werden, man sagt auch: es kann lernen. Die einfachste Form des Lernens ist das überwachte Lernen. Man gibt dem Netz eine Reihe von Beispielen in beliebiger Reihenfolge und wiederholt ein. Für jedes Beispiel ist bekannt, was die gewünschte Ausgabe sein soll. Stimmt die Ausgabe des Netzes für ein Beispiel mit der gewünschten überein, dann braucht nichts getan zu werden. Weichen tatsächliche und gewünschte Ausgabe voneinander ab, dann müssen die Gewichte im Netz so verändert werden, dass sich der Fehler bei der Ausgabe verringert. Dieser Prozess erfolgt im Idealfall so lange, bis alle Beispiele richtig berechnet werden. Das Netz ist nun trainiert und repräsentiert eine bestimmte Funktion. Damit ist es in der Lage, neue Beispiele zu berechnen, d.h. einen mutmaßlichen Funktionswert für diese auszugeben. 1.4.5. Genetische Algorithmen Genetische Algorithmen laufen auf Populationen von Genomen ab. Ein Genom ist eine Folge von Genen. Die Gene sind die elementaren Informationseinheiten genetischer Algorithmen, im einfachsten Fall sind sie (kurze) Bitstrings. Die genetischen Algorithmen erzeugen in einer großen Schleife immer neue Generationen von Genomen durch Anwendung der Operationen Selektion, Kreuzung und Mutation. Dabei werden folgende Schritte durchgeführt: 1. Definiere die Genome und eine Fitnessfunktion und erzeuge eine initiale Population von Genomen. 2. Modifiziere die aktuelle Population durch Anwendung der Operationen Selektion, Kreuzung und Mutation. 3. Wiederhole Schritt 2 so lange, bis sich die Fitness der Population nicht mehr erhöht. Das Ziel des Algorithmus ist die Fitness der Genome zu maximieren. Die Fitnessfunktion, die beliebig definiert sein kann, bewertet jedes neu entstandene Genom. Dazu muss das Genom in seinen zugehörigen Phänotyp umgewandelt werden, auf ihm operiert die Fitnessfunktion. Durch die Operation Selektion werden bei jedem Durchlauf durch die Schleife des Algorithmus eine bestimmte Anzahl von Genomen ausgesondert, sie sorgt also dafür, dass die Größe der Population konstant bleibt. Gleichzeitig werden (in der Regel) die fittesten Genome für die nächsten Operationen ausgewählt. Bei der Operation Kreuzung werden zwei Genome an einer bestimmten Stelle aufgetrennt und die beiden Bruchstücke über Kreuz zu neuen Genomen kombiniert. Die Operation Mutation verändert ein oder mehrere zufällig ausgewählte Gene in einem Genom, wodurch ebenfalls ein neues Genom entsteht. Abbildung 1.5 illustriert die drei Operationen. Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 10 n-te Generation Trennstelle Selektion (n+1)-te Generation Kreuzung Mutation Abbildung 1. 5 2. Entscheidungsbäume 2.1. Induktives Lernen Die Konstruktion von Entscheidungsbäumen ist eine Form des Maschinellen Lernens, speziell des induktiven Lernens, noch spezieller des überwachten Lernens. Bei dieser Form des Lernens bekommt der Lerner eine Menge von Beispielen vorgelegt und soll daraus eine Funktion erlernen. Die Beispiele haben die Form von Paaren (x, f(x)). x ist die Eingabe und f(x) die Ausgabe der zu lernenden Funktion. Die reine induktive Inferenz (kurz Induktion) besteht aus der folgenden Aufgabe: Bestimme auf Grund einer Menge von Beispielen von f eine Funktion h, genannt Hypothese, die f approximiert. Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 11 Im Allgemeinen können viele Hypothesen aus Beispielen generiert werden. Wird einer Hypothese gegenüber einer anderen der Vorzug gegeben, dann heißt dies ein Bias. Weil es fast immer eine große Zahl möglicher konsistenter Hypothesen gibt, haben alle Lernalgorithmen einen irgendwie gearteten Bias. 2.2. Lernen von Entscheidungsbäumen 2.2.1. Entscheidungsbäume als Performanzelemente Ein Entscheidungsbaum nimmt als Eingabe ein Objekt oder eine Situation, beschrieben durch eine Menge von Eigenschaften und erzeugt als Ausgabe eine Ja-/Nein-Entscheidung. Ein innerer Knoten eines Entscheidungsbaums entspricht einem Test auf den Wert einer der Eigenschaften und die nach unten von dem Knoten wegführenden Kanten sind mit den möglichen Werten der Eigenschaft markiert. Ein Blattknoten entspricht einem Booleschen Wert, der als Ergebnis ausgegeben wird, wenn das Blatt erreicht wird. Als ein Beispiel wird das Entscheidungsproblem betrachtet, ob man in einem Restaurant auf einen freien Tisch warten soll, wenn alle Tische besetzt sind. Man möchte also eine Definition für das Zielprädikat Warten in Form eines Entscheidungsbaums lernen. Zunächst müssen die Eigenschaften oder Attribute festgelegt werden, mit denen die Beispiele beschrieben werden. Die folgenden Attribute werden gewählt: 1. 2. 3. 4. 5. 6. 7. 8. 9. Alternative: Gibt es in der Nähe ein geeignetes anderes Restaurant? Bar: Gibt es in dem Restaurant eine komfortable Bar zum Warten? Fr/Sa: Ist Freitag oder Samstag? Hungrig: Bin ich hungrig? Gäste: Wie viele Leute sind im Restaurant (keine, einige oder voll)? Preis: In welchem Preissegment liegt das Restaurant (€, €€, €€€)? Regen: Regnet es draußen? Reservierung: Habe ich reserviert? Typ: Um welche Art von Restaurant handelt es sich (Französisch, Italienisch, Chinesisch oder Burger)? 10. Wartezeit: Welche voraussichtliche Wartezeit wird vom Restaurant geschätzt? Ein Entscheidungsbaum für das Problem könnte z.B. der in Abbildung 2.1 dargestellte sein. Die Attribute Preis und Typ sind darin nicht benutzt, weil sie angesichts der Datenlage irrelevant sind. Der Baum kann in eine Menge von Implikationen (8 insgesamt) umgesetzt werden, die den Pfaden von der Wurzel zu den mit Ja markierten Blättern entsprechen. Zum Beispiel ergibt der Pfad über die Knoten Wartezeit und Hungrig die Implikation r Gäste(r, Voll) Wartezeit(r, 10-30) Hungrig(r, Nein) Warten(r) Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 12 Gäste? Keine Einige Nein Ja Voll Wartezeit? >60 0-10 30-60 Nein 10-30 Alternative? Nein Ja Reservierung? Nein Ja Bar? Ja Nein Ja Nein Ja Hungrig? Nein Ja Ja Alternative? Fr/Sa? Nein Nein Ja Ja Nein Ja Ja Ja Regen? Nein Nein Ja Ja Abbildung 2.1 2.2.2. Induktion von Entscheidungsbäumen aus Beispielen Ein Beispiel wird durch die Werte der Attribute und den Wert des Zielprädikats beschrieben. Der Wert des Zielprädikats heißt Klassifikation des Beispiels. Ist der Wert wahr für ein Beispiel, so heißt dieses ein positives Beispiel, andernfalls ein negatives Beispiel. Die gesamte Menge der Beispiele heißt Trainingsmenge. Tabelle 2.1 enthält die Beispiele für das Restaurant-Beispiel. Beispiele Alternative X1 Ja X2 Ja X3 Nein X4 Ja X5 Ja X6 Nein X7 Nein X8 Nein X9 Nein X10 Ja X11 Nein X12 Ja Bar Fr/Sa Nein Nein Ja Nein Nein Ja Ja Nein Ja Ja Nein Ja Nein Nein Nein Ja Ja Nein Nein Nein Ja Ja Nein Ja Attribute Ziel Hung- Gäste Preis Regen Reser- Typ Warte- Warten rig vierung zeit Ja Einige €€€ Nein Ja Franz 0-10 Ja Ja Voll € Nein Nein Chin 30-60 Nein Nein Einige € Nein Nein Burger 0-10 Ja Ja Voll € Nein Nein Chin 10-30 Ja Nein Voll €€€ Nein Ja Franz >60 Nein Ja Einige €€ Ja Ja Ital 0-10 Ja Nein Keine € Ja Nein Burger 0-10 Nein Ja Einige €€ Ja Ja Chin 0-10 Ja Nein Voll € Ja Nein Burger >60 Nein Ja Voll €€€ Nein Ja Ital 10-30 Nein Nein Keine € Nein Nein Chin 0-10 Nein Ja Voll € Nein Nein Burger 30-60 Ja Tabelle 2.1 Bei der Erstellung eines Entscheidungsbaums aus Beispielen kommt es darauf an, ein Muster zu extrahieren, das eine große Zahl von Fällen in knapper Form beschreibt. Der Entscheidungsbaum muss vor allem eine knappe, aber informationsreiche Repräsentation von Fällen sein und er sollte alle Trainingsbeispiele erfassen. Ein Entscheidungsbaum repräsentiert eine einfache Hypothese, wenn er möglichst klein ist. Das Problem, den kleinsten Entscheidungsbaum zu finden, ist nicht lösbar. Aber man kann versuchen einen möglichst kleinen zu finden. Zu diesem Zweck geht der DECISION-TREE-LEARNING-Algorithmus so vor, dass er immer das wichtigste Attribut zuerst testet. Damit ist dasjenige Attribut Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 13 gemeint, nach dem sich die Beispiele am stärksten unterscheiden. Auf diese Weise wird versucht eine korrekte Klassifikation mit einer kleinen Menge von Tests zu bekommen, wodurch die Pfade im Entscheidungsbaum kurz werden und der Baum insgesamt klein wird. function DECISION-TREE-LEARNING(Beispiele, Attribute, Default) returns einen Baum inputs: Beispiele eine Menge von Beispielen Attribute eine Menge von Attributen Default ein Default-Wert für das Zielprädikat if Beispiele ist leer then return Default else if alle Beispiele haben dieselbe Klassifikation then return die Klassifikation else if Attribute ist leer then return MAJORITY-VALUE(Beispiele) else best CHOOSE-ATTRIBUTE(Attribute, Beispiele) Baum ein neuer Entscheidungsbaum mit Wurzeltest best for each Wert vi von best do Beispielei {Elemente von Beispiele mit best = vi} subtree DECISION-TREE-LEARNING(Beispielei, Attribute - best, MAJORITY-VALUE(Beispiele)) füge einen Zweig zu Baum hinzu mit Marke vi und Teilbaum subtree end return Baum Nachdem die erste Aufteilung der Testmenge durch das erste Attribut erfolgt ist, entstehen mehrere neue Entscheidungsbaum-Lernprobleme mit weniger Beispielen und einem Attribut weniger. Die Konstruktion des Entscheidungsbaums erfolgt also rekursiv. Vier Fälle sind dabei zu unterscheiden: 1. Wenn die Teilmenge einige positive und einige negative Beispiele enthält, dann wähle das beste Attribut um sie weiter zu unterteilen. 2. Wenn alle Beispiele in der Teilmenge positiv sind (bzw. alle negativ), dann ist der Zweig des Baums fertig. Man kann mit Ja (bzw. Nein) antworten. 3. Wenn die Teilmenge leer ist bedeutet dies, dass kein Beispiel mit der durch die bisher benutzten Attribute beschriebenen Eigenschaften vorliegt. Es wird ein Defaultwert zurückgegeben, der auf Grund der mehrheitlichen Klassifikation am Vorgängerknoten berechnet wird. 4. Wenn keine Attribute übrig sind aber die Teilmenge nicht leer ist und sowohl positive als auch negative Beispiel enthält, bedeutet dies, dass diese Beispiele zwar verschiedene Klassifikation haben, aber die gleichen Eigenschaften, zumindest so weit sie auf Grund der definierten Attribute beschreibbar sind. Dieser Fall tritt ein, wenn einige Daten falsch sind, d.h. wenn sie verrauscht sind, oder wenn die Attribute nicht genügend Information enthalten um die vorliegende Situation zu beschreiben oder wenn die Domäne nicht deterministisch ist. In diesem Fall trifft man eine Mehrheitsentscheidung. Konstruiert man den Entscheidungsbaum für die Beispiele von Tabelle 2.1 nach dieser Vorschrift, dann erhält man den Entscheidungsbaum von Abbildung 2.2. Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 14 Gäste? Keine Einige Nein Voll Hungrig? Ja Ja Nein Typ? Nein Französisch Italienisch Burger Chinesisch Nein Ja Fr/Sa? Nein Nein Ja Ja Ja Abbildung 2.2 Die Diskrepanz zwischen dem Ausgangsbaum und dem Ergebnisbaum ist sicher auch der kleinen Anzahl von Beispielen zuzuschreiben. Mit mehr Beispielen dürfte der Unterschied geringer ausfallen. Der Baum von Abbildung 2.2 ist auch keine sehr gute Hypothese, denn z.B. kommt der Fall, dass ein Restaurant voll und die Wartezeit 0 – 10 Minuten beträgt, gar nicht vor. Im Fall von Hunger sagt der Baum, dass nicht gewartet werden soll, aber wenn die Wartezeit höchstens 10 Minuten beträgt, wird man in der Regel warten. Diese Beobachtung führt zu der Frage nach der Korrektheit der Hypothese. 2.2.3. Abschätzung der Performanz des Lernalgorithmus Die Qualität eines Lernalgorithmus kann danach eingeschätzt werden, wie gut er neue, vorher nicht betrachtete Beispiele klassifiziert. Dazu muss die Klassifikation dieser Beispiele aber vorab bekannt sein. Die Menge der Beispiele, die für diesen Zweck verwendet werden, heißt Testmenge. Diese Menge reserviert man üblicherweise von vornherein für den Test, ansonsten müsste man nach neuen Beispielen suchen und deren Klassifikation bestimmen. Im Einzelnen geht man in folgenden Schritten vor: 1. Sammle eine große Menge von Beispielen. 2. Unterteile die Menge in zwei disjunkte Teilmengen, die Trainingsmenge und die Testmenge. 3. Erzeuge mit dem Lernalgorithmus auf der Basis der Trainingsmenge eine Hypothese H. 4. Bestimme den Prozentsatz der Beispiele in der Testmenge, die durch H korrekt klassifiziert werden. 5. Wiederhole die Schritte 1. bis 4. für verschieden große und zufällig ausgewählte Trainingsmengen. Durch Anwendung dieser Schritte erhält man eine Menge von Daten, auf Grund derer die durchschnittliche Vorhersagequalität als eine Funktion der Größe der Trainingsmenge angegeben werden kann. Diese Funktion ergibt in grafischer Form dargestellt die so genannte Lernkurve des Algorithmus auf der betrachteten Domäne. Abbildung 2.3 zeigt den ungefähren Verlauf der Lernkurve für den Algorithmus DECISION-TREE-LEARNING auf der Restaurant-Domäne. Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 15 100 90 Korrekt- 80 heit auf der 70 Testmenge 60 in % 50 40 0 20 40 60 80 100 Größe der Trainingsmenge Abbildung 2.3 2.2.4. Praktischer Gebrauch des Entscheidungsbaum-Lernens Gas-Öl-Trenner BP brachte 1986 ein Expertensystem mit Namen GASOIL zum Einsatz. Sein Zweck war der Entwurf von Gas-Öl-Trennanlagen für Offshore-Ölplattformen. Die Trennung von Gas und Öl erfordert ein sehr großes, komplexes und teures Trennsystem, dessen Entwurf eine Anzahl von Attributen betrifft, u.a. die relativen Anteile von Gas, Öl und Wasser, die Flussrate, den Druck, die Dichte, die Viskosität und die Temperatur. GASOIL enthielt ungefähr 2500 Regeln. Der Bau eines solchen Expertensystems von Hand erfordert ungefähr 10 Personen-Jahre. Statt dessen wurde ein Entscheidungsbaum-Lernverfahren auf eine Datenbasis von existierenden Entwürfen angewandt. Damit wurde das Expertensystem in 100 Personen-Tagen entwickelt. Es soll besser sein als menschliche Experten und viele Millionen Dollar eingespart haben. Fliegen lernen im Flugsimulator Sammut et al. entwickelten 1992 einen automatischen Piloten für eine Cessna. Die Beispieldaten wurden durch Beobachtung von drei erfahrenen Piloten im Flugsimulator gewonnen. Jeder der Piloten führte 30 Minuten lang einen vordefinierten Flugplan aus. Jedes Mal wenn ein Pilot eine Steueraktion durchführte indem er eine Steuervariable setzte, z.B. Schub oder Flügelklappen, wurde ein Beispiel erzeugt. Insgesamt wurden 90000 Beispiele erzeugt, jedes durch 20 Zustandsvariable beschrieben und mit der durchgeführten Aktion markiert. Aus den Beispielen wurde mit Hilfe des C4.5-Algorithmus ein Entscheidungsbaum erzeugt. Der Baum wurde in ein C-Programm umgesetzt und dieses in die Steuerschleife des Flugsimulators integriert, so dass das Programm das Flugzeug selbst fliegen konnte. Die Ergebnisse waren überraschend. Das Programm konnte nicht nur fliegen, sondern sogar besser fliegen als die menschlichen Lehrer. Der Grund dafür ist, dass beim Lernen gelegentliche Fehler der einzelnen Menschen durch Verallgemeinerung ausgeglichen wurden. Das deutet an, dass für schwierige Aufgaben wie das Fliegen von Hubschraubern, die schwere Lasten bei starkem Wind tragen, mit den Methoden des Maschinellen Lernens Autopiloten entwickelt werden könnten. Bis jetzt gibt es solche nicht und es gibt auch nur wenige menschliche Piloten dafür. Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung 2.3. Seite 16 Die Verwendung der Informationstheorie 2.3.1. Das Prinzip des Informationsgewinns Zur Implementierung der CHOOSE-ATTRIBUTE-Funktion benötigt man ein Maß für gute und unnütze Attribute. Dieses Maß muss seinen größten Wert für perfekte Attribute und seinen kleinsten Wert für völlig wertlose Attribute haben. Ein solches Maß ist der erwartete Gehalt an Information, der von einem Attribut geliefert wird. Der Begriff Information ist dabei im Sinne der Shannonschen Informationstheorie zu verstehen. Eine Information in diesem Sinn ist eine Antwort auf eine Frage. Wenn man eine auf die Frage schon relativ gut zutreffende Vermutung hat, dann ist die Antwort weniger informativ als wenn man überhaupt nichts weiß. In der Informationstheorie wird der Gehalt einer Information in Bits gemessen. Ein Bit Information genügt um eine Ja/Nein-Frage zu beantworten, über deren Antwort man keinerlei Vorstellung hat, wie dem Fall einer Münze. Wenn die möglichen Antworten vi auf die Frage die Wahrscheinlichkeiten P(vi) haben, dann ist der Informationsgehalt I der tatsächlichen Antwort definiert durch n I ( P(vi ),..., P(vn )) P(vi ) log 2 P(vi ) i 1 Dies ist der durchschnittliche Informationsgehalt der verschiedenen Antworten (die log 2 P -Ausdrücke), gewichtet mit den Wahrscheinlichkeiten der Antworten. Beim Entscheidungsbaum-Lernen ist die zu beantwortende Frage: Was ist die korrekte Klassifikation für ein gegebenes Beispiel? Ein korrekter Entscheidungsbaum liefert die Antwort. Eine Schätzung der Wahrscheinlichkeiten der möglichen Antworten vor dem Test der Attribute ist durch das Verhältnis der positiven und negativen Beispiele in der Trainingsmenge gegeben. Angenommen, die Trainingsmenge enthalte p positive und n negative Beispiele. Dann wird der Informationsgehalt einer korrekten Antwort wie folgt abgeschätzt: p n p p n n I , log 2 log 2 pn pn pn pn pn pn Der Test eines einzelnen Attributs gibt im Allgemeinen nicht so viel Information, aber immerhin einen Teil davon. Das Maß an Information, das ein Attribut liefert, wird daran gemessen, wie viel Information nach dem Attributtest für eine korrekte Antwort noch benötigt wird. Jedes Attribut A unterteilt die Trainingsmenge E in die Teilmengen E1, ..., Ev, entsprechend ihren Werten für A, wobei angenommen ist, dass A v verschiedene Werte haben kann. Jede Teilmenge Ei enthält pi positive und ni negative Beispiele. Wenn man also auf dem i-ten Zweig des Baums fortfährt, benötigt man zusätzlich I ( pi ( pi ni ) , ni ( pi ni )) Bits an Information um die Frage zu beantworten. Ein zufällig ausgewähltes Beispiel hat mit der Wahrscheinlichkeit ( pi ni ) ( p n) den iten Wert des Attributs, deshalb benötigt man im Durchschnitt nach dem Test des Attributs A v Rest ( A) i 1 pi ni pi ni I , p n pi ni pi ni Bits an Information um das Beispiel zu klassifizieren. Der Informationsgewinn aus dem Attributtest ist definiert durch die Differenz zwischen dem ursprünglichen Informationsbedarf und dem neuen Informationsbedarf: Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 17 p n Re st ( A) Gain( A) I , pn pn Die Heuristik, die in der CHOOSE-ATTRIBUTE-Funktion benutzt wird, ist das Attribut mit dem größten Informationsgewinn zu wählen. 2.3.2. Rauschen und Overfitting Wenn es bei einem Lernproblem eine große Menge möglicher Hypothesen gibt, besteht die Gefahr, dass man beim Lernen bedeutungslose Regelmäßigkeiten in den Daten entdeckt. Dieses Problem heißt Overfitting. Es ist ein sehr allgemeines Phänomen und kann in allen möglichen Lernverfahren vorkommen, nicht nur bei Entscheidungsbäumen. Eine einfache Technik zur Vermeidung des Overfitting ist das Pruning. Durch das Pruning wird verhindert, dass Attribute für die Aufteilung einer Menge verwendet werden, die nicht wirklich relevant sind, selbst wenn die Beispiele an diesem Knoten nicht uniform klassifiziert sind. Die Frage ist, wie irrelevante Attribute entdeckt werden. Der Informationsgewinn bietet dafür eine Möglichkeit. Angenommen man teilt eine Menge von Beispielen mit einem irrelevanten Attribut auf. Die entstehenden Teilmengen haben dann in der Regel etwa dieselbe Verteilung von positiven und negativen Beispielen wie die ursprüngliche Menge. Dann ist der Informationsgewinn annähernd Null. Damit stellt sich umgekehrt die Frage, ab welchem Informationsgewinn es sich lohnt, ein Attribut zur Aufteilung der Beispielmenge zu verwenden. Mit dieser Frage beschäftigen sich statistische Signifikanztests. Ein Signifikanztest beginnt mit der Annahme, es gebe in den vorliegenden Beispielen kein zugrunde liegendes Muster (so genannte Nullhypothese). Dann werden die Daten analysiert um festzustellen, wie weit sie vom vollständigen Fehlen eines Musters abweichen. Wenn der Grad der Abweichung statistisch unwahrscheinlich ist, dann besteht beträchtliche Evidenz für das Vorliegen eines signifikanten Musters in den Daten. Im Fall der Entscheidungsbäume ist die Nullhypothese, dass das gerade betrachtete Attribut irrelevant ist und damit der Informationsgewinn für eine unendlich große Menge von Beispielen Null. Nun muss die Wahrscheinlichkeit dafür berechnet werden, dass unter Annahme der Nullhypothese eine Beispielmenge der Größe v die beobachtete Abweichung von der erwarteten Verteilung der positiven und negativen Beispiele zeigt. Die Abweichung kann man messen, indem man die tatsächlichen Anzahlen positiver und negativer Beispiele in jeder Teilmenge, also pi und ni, mit den erwarteten Zahlen p̂ i und n̂i vergleicht, wobei man vollständige Irrelevanz voraussetzt: pˆ i p p i ni pn nˆ i n p i ni pn Ein Maß für die Gesamtabweichung ist definiert durch ( pi pˆ i ) 2 (ni nˆ i ) 2 D pˆ i nˆ i i 1 v Unter der Nullhypothese ist der Wert von D entsprechend der 2-Verteilung mit v – 1 Freiheitsgraden verteilt. Mit Hilfe von 2-Tabellen oder statistischer Software kann dann berechnet werden mit welcher Wahrscheinlichkeit ein Attribut wirklich irrelevant ist. Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 18 Pruning hat auch Vorteile, wenn Daten verrauscht sind. Bei stark verrauschten Daten liefern Bäume mit Pruning bessere Ergebnisse als solche ohne Pruning. Bäume mit Pruning sind meist wesentlich kompakter und deshalb auch besser zu verstehen. 2.3.3. Erweiterung der Anwendbarkeit von Entscheidungsbäumen Um den Einsatzbereich des Entscheidungsbaum-Lernens zu erweitern muss man Maßnahmen ergreifen um fehlende Daten zu ergänzen und um Attribute mit besonderen Eigenschaften verwendbar zu machen. Fehlende Daten In vielen Anwendungsbereichen sind nicht alle Attributwerte für jedes Beispiel bekannt. Das kann daran liegen, dass sie nicht erfasst wurden oder dass es zu aufwändig ist sie zu ermitteln. Hier sind zwei Probleme zu lösen: 1. Wie modifiziert man die Konstruktion des Entscheidungsbaums, insbesondere die Definition des Informationsgewinns, wenn bei einigen Beispielen Attributwerte fehlen? 2. Wie klassifiziert man ein neues Beispiel mit einem bestehenden Entscheidungsbaum, wenn eines der Testattribute nicht anwendbar ist? Attribute mit vielen Werten Ist die Zahl der Werte eines Attributs sehr hoch, dann kann der Extremfall eintreten, dass das Attribut für jedes Beispiel einen eigenen Wert hat und damit lauter einelementige Mengen entstehen. Der Informationsgewinn hätte dann für dieses Attribut den höchsten Wert. Trotzdem wäre das Attribut irrelevant oder nutzlos. Um solche Attribute zu behandeln kann man den Gain Ratio verwenden. Attribute mit kontinuierlichen Werten Manche Attribute haben kontinuierliche Wertebereiche, z.B. Attribute wie Größe oder Gewicht. Um sie für das Entscheidungsbaum-Lernen verwendbar zu machen diskretisiert man üblicherweise die Wertebereiche. Das wird meistens von Hand gemacht. Eine bessere Methode ist, die Attribute im Rahmen des Lernprozesses vorab zu behandeln um herauszufinden, welche Unterteilung des Wertebereichs die nützlichste Information für die Zwecke der Klassifikation liefert. 3. Lineare und Nichtlineare Entscheidungsbäume 3.1. Geometrische Interpretation Bei der Konstruktion von Entscheidungsbäumen geht man davon aus, dass die Beispiele in der Form von Datensätzen mit einer Anzahl von Attributen gegeben sind. Die Datensätze des Beispiels von Abschnitt 2.2 illustrieren dies. Man kann einen solchen Datensatz als Punkt in einem mehrdimensionalen Raum auffassen. Jedes Attribut, das die Beispiele charakterisiert, stellt eine Dimension des Raumes dar. Die Dimensionen können ganz unterschiedliche Wertebereiche haben, kontinuierliche wie die reellen Zahlen, diskrete geordnete wie die natürlichen Zahlen oder Buchstaben, boolesche oder diskrete ungeordnete. Entscheidungsbäume in der in Kapitel 3 behandelten Form unterteilen die Gesamtmenge der Beispiele in Teilmengen nach ihren Werten bezüglich ausgewählter Attribute. Nach einer solchen Unterteilung haben die Beispiele in jeder der entstandenen Teilmengen bezüglich des ausgewählten Attributs einen festen Wert. Dieser wird natürlich für alle folgenden Unterteilungen beibehalten. Bei Attributen mit geordneten Wertebereichen (kontinuierlich, diskret oder Boolesch) kann man die Unterteilung als Ebene im n-dimensionalen Raum interpretieren. Alle Beispiele mit einem Attributwert kleiner als dem gewählten liegen auf der einen Seite der Ebene, alle mit einem Attributwert größer als dem gewählten liegen auf der anderen Seite. Die Trennebenen sind achsenparallel, Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 19 genauer: eine Trennebene liegt parallel zu der Koordinatenachse des Attributs, dem sie zugeordnet ist. 3.2. Lineare Entscheidungsbäume Es sei eine Beispielmenge mit N Datensätzen gegeben. Jeder Datensatz ist durch die n Attribute A1, A2, …, An definiert. Die Wertebereiche der Attribute werden als ursprünglich kontinuierlich, aber diskretisiert angenommen. Das Attribut Ai habe die Werte wi1 , wi 2 , ..., wiki . Jeder Wert entspricht also einem Intervall im ursprünglichen kontinuierlichen Wertebereich, das durch Auftrennen an den Stellen t i1 , t i 2 , ..., t i ,ki 1 entstanden ist. Es gilt also wij (t i , j 1 , t ij ) (j = 1, …, ki), wi1 = (-∞, ti1), wiki (t iki ) . Die Trennstellen werden auf einer Seite der Intervalle zu denselben hinzugenommen. Wird bei der Konstruktion eines Entscheidungsbaums das Attribut Ai ausgewählt, dann wird die aktuelle Menge B der Beispiele in ki Teilmengen Bi1 , Bi 2 , ..., Biki unterteilt. In der Teilmenge Bij haben alle Beispiele den Wert wij (t i , j 1 , t ij ) . Diese Beispiele liegen alle in einem (n-1)-dimensionalen Teilraum für den gilt Ai = wij, oder anders interpretiert: Der n-dimensionale Raum wird durch ki-1 Trennebenen in ki Teilräume der Dimension n-1 zerlegt. In jedem Teilraum liegt die entsprechende Beispielmenge Bij. Die Trennebenen lassen sich durch die Gleichungen Ai = tij (j = 1, …, ki-1) beschreiben. Diese Trennebenen liegen senkrecht zur Achse Ai und parallel zu allen übrigen Achsen des n-dimensionalen Raums. Achsenparallele Trennungen sind ein Spezialfall der linearen Trennungen. Man erhält beliebige lineare Trennungen durch Linearkombination mehrerer, allgemein aller Attribute. Die allgemeine Form einer Trennebene im n-dimensionalen Raum ist also c1 A1 c2 A2 ... cn An v Diese Gleichung beschreibt eine beliebige Ebene im n-dimensionalen Raum. Durch solche Trennungen lassen sich unter Umständen die Beispiele besser, d.h. mit weniger Trennungen, unterteilen. Sie haben allerdings den Nachteil, dass sie schwerer zu bestimmen und weniger anschaulich sind. 3.3. Nichtlineare Entscheidungsbäume Es seien die selben Voraussetzungen über die Beispielmenge und ihre Attribute gegeben wie bei den linearen Entscheidungsbäumen. Sei f eine beliebige Funktion auf der Menge der Attribute, so dass gilt f ( A1 , A2 , ..., An ) v Diese Gleichung repräsentiert einen Teilkörper der Dimension n-1 im n-dimensionalen Raum, der eine Trennung des Raums in zwei n-dimensionale Teilräume erzeugt. Im Folgenden werden nur spezielle Funktionen f betrachtet, nämlich quadratische Polynome. Sie haben die allgemeine Gleichung n ci Ai i 1 n c i 1, j 1 ij Ai A j v Man sieht sofort, dass die linearen Trennungen ein Spezialfall der quadratischen sind, nämlich für cij = 0 (i, j = 1, …, n). Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger Data Mining - Einführung Seite 20 Zur Bestimmung geeigneter Trennkörper kann man eine Vorgehensweise ähnlich der bei SupportVektor-Maschinen verwenden. Dazu macht man die folgende Betrachtungsweise. Durch den Übergang zu höheren Polynomen sind gewissermaßen neue Attribute entstanden, nämlich die Quadrate und gemischten Produkte der alten Attribute. Setzt man B1 A1 , B2 A2 , B3 A12 , B4 A1 A2 und B5 A22 , dann erhält man die Gleichung c1 B1 c2 B2 c3 B3 c4 B4 c5 B5 v Dies ist eine lineare Gleichung im fünfdimensionalen Raum. Das bedeutet, dass sich quadratische Trennungen im zweidimensionalen Raum als lineare Trennungen im fünfdimensionalen Raum darstellen lassen. Jetzt müssen noch die Koeffizienten ci bestimmt werden. Von ihnen hängt die Lage der Trennebene im fünfdimensionalen Raum ab. Dazu bestimmt man diejenigen Punkte, die am nächsten zu der voraussichtlichen Lage der Trennebene liegen und bestimmt die Koeffizienten ci so, dass der gesamte Abstand aller ausgewählten Punkte minimiert wird. Damit hat man automatisch die optimalen Koeffizienten auch für die quadratische Trennung im zweidimensionalen Raum, und je nach Wert der Koeffizienten ergibt sich eine bestimmte Kegelschnittfigur. Berufsakademie Mannheim Februar 2002 Prof. Dr. Werner Dilger