Máy học có giám sát

Khái niệm

Trong máy học giám sát, dữ liệu huấn luyện bao gồm các cặp đầu vào (input) và đầu ra (output) đã được gán nhãn. Mục tiêu là xây dựng một mô hình có khả năng học từ dữ liệu này để dự đoán nhãn hoặc giá trị cho dữ liệu mới chưa được gán nhãn. Máy học giám sát chủ yếu được chia thành hai loại bài toán:

Phân loại (Classification): Dùng để phân loại dữ liệu vào các nhóm hoặc lớp (classes). Ví dụ, phân loại email thành spam và không spam hoặc phân loại hình ảnh thành các loại vật thể khác nhau như mèo, chó, v.v.
Hồi quy (Regression): Dùng để dự đoán các giá trị liên tục, chẳng hạn như giá nhà, doanh số bán hàng, hoặc nhiệt độ

Quy trình của máy học giám sát

Quá trình phát triển một mô hình máy học giám sát bao gồm các bước sau:

Thu thập dữ liệu và gán nhãn: Dữ liệu đầu vào và đầu ra (nhãn) được thu thập và làm sạch để đảm bảo chất lượng, tính đa dạng và đủ lớn để mô hình học hiệu quả.
Tiền xử lý dữ liệu: Đảm bảo tính nhất quán và độ chính xác, bao gồm chuẩn hóa, mã hoá nhãn, hoặc xử lý giá trị thiếu.
Chia dữ liệu: Chia thành tập huấn luyện (training set) và kiểm thử (test set), thường theo tỷ lệ 70-80% dữ liệu cho huấn luyện và 20-30% cho kiểm thử.
Xây dựng mô hình: Áp dụng các thuật toán học máy như hồi quy tuyến tính, cây quyết định, mạng nơ-ron nhân tạo dựa trên yêu cầu bài toán.
Huấn luyện và tối ưu hóa: Mô hình sẽ học từ dữ liệu huấn luyện bằng cách điều chỉnh các tham số để giảm thiểu sai số.
Đánh giá mô hình: Kiểm thử trên tập dữ liệu kiểm thử và đo lường hiệu suất bằng các chỉ số như độ chính xác (accuracy), độ nhạy (recall), hoặc lỗi trung bình bình phương (MSE).
Triển khai và duy trì: Khi đạt hiệu suất tốt, mô hình sẽ được triển khai và cập nhật khi có thêm dữ liệu hoặc khi mô hình giảm hiệu quả.

Các thuật toán máy học giám sát phổ biến

Hồi quy tuyến tính (Linear Regression): Dùng cho các bài toán hồi quy, mô hình hóa mối quan hệ tuyến tính giữa đầu vào và đầu ra. Công thức chính:

${\widehat {y}}=\omega x+b$

và hàm mất mát bình phương trung bình (Mean Squared Error):

$L={\frac {1}{m}}\sum _{i=1}^{m}({\widehat {y}}i-yi)^{2}$

Hồi quy logistic (Logistic Regression): Phân loại nhị phân dựa trên hàm sigmoid:

${\hat {y}}={\frac {1}{1+e^{-(\omega ^{T}x+b)}}}$

và hàm mất mát entropy chéo:

$L=-{\frac {1}{m}}\sum _{i=1}^{m}(y_{i}\log({\hat {y}}_{i})+(1-y_{i})log({\hat {y}}_{i}))$

Cây quyết định (Decision Tree): Phân chia dữ liệu dựa trên các điều kiện đơn giản. Entropy:

$H(S)=-\sum _{i=1}^{n}p_{i}log_{2}(p_{i})$

và lợi ích thông tin:

$IG(S,A)=H(S)-\sum _{\upsilon \in Values(A)}{\frac {\vert S_{\upsilon }\vert }{\vert S\vert }}H(S_{\upsilon })$

Random Forest: Tập hợp nhiều cây quyết định để cải thiện độ chính xác và giảm thiểu hiện tượng quá khớp.
Mạng nơ-ron nhân tạo (Artificial Neural Network): Mô hình phức tạp, mô phỏng cấu trúc não bộ, dùng các hàm kích hoạt như Sigmoid hoặc $ReLU$ :

$\sigma (z)=\left({\frac {1}{1+e^{-z}}}\right),ReLU(z)=max(0,z)$

Gradient descent trong lan truyền ngược (Backpropagation):

$\omega =\omega -\eta {\frac {\partial L}{\partial \omega }}$

K-Nearest Neighbors (KNN): Phân loại dựa trên khoảng cách đến K điểm gần nhất, với công thức khoảng cách Euclidean:

$d(x_{i},x_{j})={\sqrt {\sum _{k=1}^{n}(x_{ik}-x_{ik})^{2}}}$

Support Vector Machine (SVM): Tìm siêu phẳng tối ưu để phân chia dữ liệu, với mục tiêu:

${\underset {\omega ,b}{\min }}\left({\frac {1}{2}}\right)\left\Vert \omega \right\Vert ^{2}$

kèm điều kiện $y_{i}(\omega ^{T}x_{i}+b)\geq 1$ cho mọi $i$ .

Ứng dụng của máy học giám sát

Máy học giám sát được ứng dụng rộng rãi trong:

Nhận dạng khuôn mặt: Dùng trong hệ thống bảo mật để xác thực dựa trên hình ảnh gán nhãn.
Chẩn đoán y khoa: Hỗ trợ bác sĩ dự đoán bệnh dựa trên dữ liệu y tế.
Phân tích văn bản: Phân loại email thành spam và không spam dựa trên các mẫu có nhãn.
Phân tích tài chính: Dự đoán giá cổ phiếu, phát hiện gian lận dựa trên dữ liệu lịch sử.
Xe tự lái: Nhận diện vật thể, phân loại đối tượng trên đường để điều hướng.
Hệ thống đề xuất: Netflix, YouTube, và Amazon sử dụng để gợi ý nội dung hoặc sản phẩm.
Phát hiện gian lận: Phát hiện các giao dịch gian lận trong lĩnh vực tài chính, như thẻ tín dụng hoặc bảo hiểm.

Tổng kết

Máy học giám sát mang lại nhiều giá trị trong các lĩnh vực, hỗ trợ tự động hóa quy trình, tối ưu hóa hiệu quả và ra quyết định một cách chính xác. Các thuật toán và quy trình trên là nền tảng giúp mô hình máy học học từ dữ liệu và đưa ra các dự đoán, phân loại chính xác trong ứng dụng thực tiễn.

Tài liệu tham khảo

^[1]

^ Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. ISBN 978-0-387-31073-2. Sách này cung cấp kiến thức nền tảng về các thuật toán máy học, bao gồm hồi quy tuyến tính, hồi quy logistic, và các phương pháp như cây quyết định và mạng nơ-ron.

[1] Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. ISBN 978-0-387-31073-2. Sách này cung cấp kiến thức nền tảng về các thuật toán máy học, bao gồm hồi quy tuyến tính, hồi quy logistic, và các phương pháp như cây quyết định và mạng nơ-ron.

[1]