strumenti di supporto alle decisioni alessandro mazzetti

Strumenti disupporto alle decisioni

Alessandro Mazzetti

Definizione

Strumento che aiuti l’uomo nel prendere decisioni

• analisi di scenari• simulazione di evoluzione• planning• valutazione del rischio• teoria dei giochi• analisi multivariate ed econometriche• analisi break-even• alberi decisionali

Per decidere bisogna conoscere

Generazione della conoscenza

• Business Intelligence– ricerca di conoscenza utile e fruibile

• Data Mining– investigazione di dati per trarne conoscenza– scoperta di informazioni inattese

• Machine Learning (apprendimento autom.)– generazione automatica di conoscenza

"Pierino, sei una bestia! Non hai capito niente della Rivoluzione Francese!".

"Eppure avevo imparato a memoria tutto il capitolo del libro...".

"Non serve. Hai fatto un lavoro inutile: dovevi capire, non imparare a memoria!".

Apprendimento

• Capire Imparare a Memoria

• Capire =– collegare– notare– generalizzare

Tipi di apprendimento

• per spiegazione– il discente può comunicare col docente– il discente deve avere una conoscenza pre-esistente

• da esempi– il discente non ha la conoscenza necessaria per

comunicare col docente– quello che avviene nei neonati

(imparare a camminare, a parlare, a riconoscere,…)

Apprendimento da esempi = generalizzazione

• la palla va giù

• il biberon va giù RICORDARE

• l’acqua va giù

Gli oggetti cadono CAPIRE

Esempio

Osservare partite a carte

Trarne le regole del gioco

Due forme di conoscenza

• “Imparare a memoria” casi specifici– occupa tanta memoria– copre solo i casi enumerati

• la palla cade, la penna cade, la forchetta cade,…

• il termosifone cade ?

• Generalizzare– forma compatta– copre anche casi mai visti

• TUTTI gli oggetti cadono (anche i termosifoni)

Conoscenza indotta• ieri il sole è tramontato ad ovest

• anche l’altroieri

• anche settimana scorsa

• anche l’anno scorso

Il sole tramonta SEMPRE ad ovest

Quindi anche domani !

Difficoltà

• È molto difficile generalizzare correttamente– tutti gli italiani mangiano la pizza– tutti gli uomini sono traditori– le bionde sono belle

• Una buona generalizzazione deve essere:– completa (coprire tutti gli esempi positivi)– consistente (escludere tutti gli esempi negativi)– significativa (classificare correttamente gli

esempi non visti)

• DEDUZIONE (Aristotele IV secolo a.C.)

IF A THEN B deduzione (de-duco=portare fuori) A vero implica B vero A falso non implica nulla

• INDUZIONE (Hume XVI secolo d.C.)

A vero B vero A falso B falso A vero B vero A falso B vero induzione (in-duco=portare dentro) IF A THEN B (ma non ne sono sicuro)

Inferenza e apprendimento

Proprietà dell’induzione

• La deduzione preserva la verità– data una conoscenza generale corretta, ottengo

un’informazione particolare corretta

• L’induzione preserva la falsità– non bastano miliardi di esempi a verificare una

regola– basta un solo controesempio a falsificare una

regola

Preservazione della falsità

• Ferrari: rossa veloce• Lamborghini: rossa veloce• Topolino: blu lenta• Porche: nera veloce

Le auto rosse sono veloci (può darsi)

• Panda: rossa lenta

Rosso NON implica veloce (DI SICURO)

Apprendimento da esempi

• apprendimento supervisionato– esiste un maestro che conosce il concetto da

apprendere (ma non lo spiega)– generazione di conoscenza che soddisfi il

comportamento del maestro

• apprendimento non supervisionato– scoperta da osservazioni– generazione di conoscenza del tutto autonoma,

notando somiglianze, correlazioni, regolarità

Esempi di apprendimento supervisionato

• Leggi fisiche– maestro = Natura

• Relazioni sociali– maestro = esperienze

• Operazioni finanziarie– maestro = andamento della Borsa

Esempi di apprendimentonon supervisionato

• Categorizzare le persone– le donne sono più intuitive degli uomini– i Capricorni sono cocciuti

• Notare differenze all’estero– in Francia non si usa il bidet– gli inglesi fanno la coda uno ad uno

• Correlare attributi– le piccole cooperative sono tipiche del nord– gli uomini che comprano pannolini,

comprano anche alcoolici

…in termini più tecnici...

• Apprendimento supervisionato:– è noto l’attributo da apprendere– al conoscenza appresa è una regola

statura capelli occhi aspetto basso biondi blu belloalto biondi scuri bruttoalto rossi blu bellobasso scuri blu bruttoalto scuri blu bruttoalto biondi blu belloalto scuri scuri bruttobasso biondi scuri brutto

Concetto da apprendere

se capelli=rossi allora aspetto=bellose capelli=scuri allora aspetto=brutto

…in termini più tecnici...

• Apprendimento NON-supervisionato:– non è noto l’attributo da apprendere– al conoscenza appresa è una tassonomia

statura capelli occhi aspetto basso biondi blu belloalto biondi scuri bruttoalto rossi blu bellobasso scuri blu bruttoalto scuri blu brutto si assomiglianoalto biondi blu bello (alto, occhi-blu)alto scuri scuri bruttobasso biondi scuri brutto

Esiste la categoria degli alti cogli occhi blu

Cosa c’è alla base

• Una grande quantità di dati

• raccolti per altri motivi

• organizzati in maniera adeguata

DATA WAREHOUSE

Generazione di alberi decisionali• ID3 (Iterative Dichotomizer)

– Ross Quinlan (1982)

• derivato da CLS (Concept Learning System)– Hunt (1966)

• Input = tabella• Output = procedura decisionale rappresentabile come:

– regole– albero– procedura

Albero generato da ID3

statura capelli occhi aspetto

basso biondi blu bello

alto biondi scuri brutto

alto rossi blu bello

basso scuri blu brutto

alto scuri blu brutto

alto biondi blu bello

alto scuri scuri brutto

basso biondi scuri brutto

L’idea base di ID3

• cercare l'attributo piu' simile al concetto da apprendere (cioe' la colonna "bellezza")

• considerare la frequenza di ogni valore possibile ("alto", "basso",...)

• scegliere l’attributo che discrimina meglio

• ripartire daccapo considerando la sotto-tabella rimanente

• finché ottengo una sotto-tabella vuota

Teoria dell’informazione di Shannon

• su 8 esempi, 3 sono di belli e 5 di brutti

-3/8 log 3/8 - 5/8 log 5/8 = 0.954 bit 2 2

• quindi ho un'informazione di 0.954 bits

• Quanto conta la statura?– media pesata degli alti belli rispetto ai brutti belli

5/8 * 0.971 + 3/8 * 0.918 = 0.951 bit

• L’attributo che conta di più è “capelli”

• Si genera il nodo “capelli” e si riparte

Esercizio

• Visitare http://www.planasia.it/DemoMine.html

• definire interattivamente il concetto da far apprendere

• analizzare le tre forme di conoscenza generata

• Riuscite a generare la regola “sei malato se hai la febbre oppure se starnutisci” ?

Apprendimento non-supervisionato

• sistema in grado di creare tassonomie a partire da un insieme di dati "sciolti"

• vengono notate le similarita’ fra i dati

• viene scoperta l'esistenza di categorie

• si forma una partizione (clustering) dei dati

• i dati appartenenti alla stessa classe si assomigliano fra di loro

Tassonomia

Apprendimento incrementale

Progetti storici

• "Cluster" (R. Michalski, 1983),

• "Unimem" (M. Lebowitz, 1986),

• "Cobweb" (D. Fisher, 1987)

• approfondiamo Unimem

L’input è una tabella “disordinata”fiat_tipo cc1600, abbordabile, posti(5), porte(5), consumo(medio)renault_clio economica, corta, cc1200, posti(5), porte(3), consumo(basso)jeep non_veloce, cc2000, alta, porte(5), cara, consumo(alto)subaru_legacy lunga, cara, veloce, cc2000, posti(5), consumo(medio), vol2renault_19 abbordabile, cc1400, posti(5), porte(5), consumo(medio)toyota_4x4 cara, non_veloce, cc2500, alta, porte(5), consumo(alto)citroen_zx abbordabile, cc1600, posti(5), porte(5), consumo(medio)opel_omegaSW cara, veloce, lunga, cc2000, posti(5), consumo(medio), vol2rolls_royce carissima, lunga, vol3, posti(5), porte(4), consumo(alto)peugeot_205 corta, cc1000, posti(5), economica, porte(3), consumo(basso)range_rover cara, alta, cc2500, posti(6), porte(5), consumo(alto)vw_golf abbordabile, cc1600, posti(5), porte(5), consumo(medio)fiat_uno economica, cc1100, posti(5), porte(3), consumo(basso)porshe carissima, velocissima, cc3600, posti(2), porte(2), consumo(alto)fiat_tempra_SW lunga, cara, veloce, cc1800, consumo(medio), vol2renault_nevada cara, veloce, cc2000, posti(7), consumo(medio), lunga, vol2mercedes_500 carissima, vol3, cc5000, posti(5), porte(4), consumo(alto)ferrari carissima, velocissima, cc5000, posti(2), porte(2), consumo(alto)

radice [ ] range_rover renault_nevada classe_a [abbordabile,posti(5),porte(5),consumo(medio)] renault_19 /* e' una 1400 cc */ classe_c [cc1600] fiat_tipo citroen_zx vw_golf classe_b [cara,non_veloce,alta,porte(5),consumo(alto)] jeep toyota_4x4 classe_d [cara,veloce,lunga,cc2000,posti(5),consumo(medio),vol2] subaru_legacy opel_omegaSW fiat_tempra_SW classe_e [corta,posti(5),economica,porte(3),consumo(basso)] renault_clio peugeot_205 fiat_uno classe_f [carissima,vol3,posti(5),porte(4),consumo(alto)] rolls_royce mercedes_500 classe_g [carissima,velocissima,posti(2),porte(2),consumo(alto)] porshe ferrari

Cos’ha scoperto ?

Cos’ha scoperto ? I tipi di auto !

radice [ ] range_rover renault_nevada /* non classificate */ classe_a [abbordabile,posti(5),porte(5),consumo(medio)] renault_19 /* e' una 1400 cc */ /* berline */ classe_c [cc1600] fiat_tipo citroen_zx vw_golf classe_b [cara,non_veloce,alta,porte(5),consumo(alto)] jeep toyota_4x4 /* fuoristrada */ classe_d [cara,veloce,lunga,cc2000,posti(5),consumo(medio),vol2] subaru_legacy opel_omegaSW fiat_tempra_SW /* familiari */ classe_e [corta,posti(5),economica,porte(3),consumo(basso)] renault_clio peugeot_205 fiat_uno /* utilitarie */ classe_f [carissima,vol3,posti(5),porte(4),consumo(alto)] rolls_royce mercedes_500 /* lussuose */ classe_g [carissima,velocissima,posti(2),porte(2),consumo(alto)] porshe ferrari /* sportive */

Metrica

• È alla base dell’apprendimento non-supervisionato

• misura quanto si assomigliano due casi

• metrica forte– [a,b,c,d] assomiglia ad [x,d,c,b] ma non a [d,b]

• metrica debole– [a,b,c,d] assomiglia ad [x,d,y,b] ma non a [b]

Conclusioni

• Apprendimento = generazione di conoscenza

• Utile per supportare le decisioni

• Campi d’applicazione– segmentazione del mercato (supermarket, banche,…)– investigazione di frodi (clonazione cellulari,…)– manutenzione preventiva (guast frequenti,…)– valutazione del rischio (ambientale, finanziario,…)– previsione di consumo (energetico, beni,…)