Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados

Transcrição

1 Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão: 1.0 Curitiba 2015

2 Poker Hand Data Set Aluno: Joyce Schaidt Curitiba 2015

3 SUMÁRIO 1 INTRODUÇÃO Objetivo Geral Objetivos Específicos Conteúdo do Projeto DESCRIÇÃO DA BASE Descrição dos Dados Detalhes da Base Poker Hand APLICAÇÃO DOS ALGORITMOS Árvore de Decisão Naive Bayes Support Vector Machines - SVM K-Nearest Neighbour K-nn Regras de Associação Apriori K-Means Agrupamento Hierárquico Outras Situações ANÁLISE DOS RESULTADOS REFERÊNCIAS BIBLIOGRÁFICAS... 31

4 LISTA DE FIGURAS Figura 1. Base Poker Hand (autoria própria) Figura 2. Estrutura Poker Hand (autoria própria) Figura 3. Cinco primeiros registros (autoria própria) Figura 4. Cinco últimos registros (autoria própria) Figura 5. Resumos Númericos (autoria própria) Figura 6. Variâncias (autoria própria) Figura 7. Histograma S1 (autoria própria) Figura 8. Histograma C1 (autoria própria) Figura 9. Histograma Classe Poker Hand (autoria própria) Figura 10. Incidência Classe Poker Hand (autoria própria) Figura 11. Gráfico Pizza Classe Poker Hand (autoria própria) Figura 12. Gráfico de Coordenadas Paralelas (autoria própria) Figura 13. Árvore de Decisão (autoria própria) Figura 14. Árvore de Decisão 2 (autoria própria) Figura 15. Árvore de Decisão 3 (autoria própria) Figura 16. Previsões Árvore de Decisão Base de Teste (autoria própria).16 Figura 17. Previsões Árvore de Decisão Base de Teste 2 (autoria própria) Figura 18. Algoritmo Naive Bayes (autoria própria) Figura 19. Previsões Naive Bayes Base de Teste (autoria própria) Figura 20. Previsões Naive Bayes Base de Teste 2 (autoria própria) Figura 21. Algoritmo SVM (autoria própria) Figura 22. Previsões SVM Base de Teste (autoria própria) Figura 23. Previsões SVM Base de Teste 2 (autoria própria) Figura 24. Distribuição (autoria própria) Figura 25. Algoritmo k-nn (autoria própria) Figura 26. Previsões K-nn Base de Teste (autoria própria) Figura 27. Regras de Associação (autoria própria) Figura 28. Agrupamento das Regras de Associação (autoria própria).. 23

5 Figura 29. Gráfico das Regras de Associação (autoria própria) Figura 30. K-Means Clustering (autoria própria) Figura 31. Tabela de ocorrência da Classe Poker.Hand por Cluster (autoria própria) Figura 32. Gráfico Cluster (autoria própria) Figura 33. Gráfico Cluster 2 (autoria própria) Figura 34. Comandos R Agrupamento Hierárquico (autoria própria) Figura 35. Classes Agrupamento Hierárquico (autoria própria) Figura 36. Método Average (autoria própria) Figura 37. Método Single (autoria própria) Figura 38. Método Complete (autoria própria) Figura 39. Nova Árvore de Decisão (autoria própria) Figura 40. Árvore de Decisão Nova Base de Teste (autoria própria) Figura 41. Predições Nova Árvore de Decisão (autoria própria) Figura 42. Naive Bayes Novo (autoria própria) Figura 43. Predição Naive Bayes Novo (autoria própria) Tabela 1. Resultados Gerais (autoria própria)

6

7 1 INTRODUÇÃO Este trabalho tem por objetivo avaliar os conhecimentos adquiridos na disciplina de Data Mining. Para tanto, foi desenvolvido um trabalho, buscando aplicar algoritmos de classificação, associação e agrupamento em uma base de dados. 1.1 Objetivo Geral Aplicar algoritmos de classificação, associação e agrupamento em uma base de dados indicada pelo professor, utilizando a linguagem R. 1.2 Objetivos Específicos Dentre os algoritmos a serem aplicados estão: 1. Árvores de Decisão; 2. Naive Bayes; 3. Support Vector Machines SVM; 4. K-Nearest Neighnour K-nn; 5. Apriori; 6. K-Means; 1.3 Conteúdo do Projeto Nos capítulos seguintes, serão apresentadas as informações pertinentes a base de dados utilizada, bem como a implementação dos algoritmos. No Capítulo 2 serão apresentados todos os detalhes da base, utilizando comandos R. Já no Capítulo 3 serão apresentados todos os algoritmos implementados utilizando linguagem R juntamente com seus resultados. No Capítulo 4, serão apresentadas as análises e conclusões com base nos resultados obtidos de cada algoritmo.

8 2 DESCRIÇÃO DA BASE A base de dados utilizada para este trabalho é uma base de Poker, cujo objetivo é prever mãos de poker. É uma base multivariada, com atributos categóricos e inteiros, possuindo um total de 11 atributos, que serão descritos abaixo, e um total de instâncias. 2.1 Descrição dos Dados Segue abaixo descrição dos dados: S1: "Suit of card #1" - Númerico (1 4), representando os naipes do baralho (Espadas, Copas, Ouros e Paus); C1: "Rank of card #1" - Númerico (1 13), representando os valores das cartas, (Ás, 2, 3,..., Dama, Rei); S2, S3, S4 e S5: Seguem a mesma representação de S1; C2, C3, C4,C5: Seguem a mesma representação de C1; Classe "Poker Hand Númerico (0 9), sendo que: o 0: Nada na mão; Não é reconhecido; o 1: Um par; Duas cartas de mesmo valor entre cinco totais; o 2: Dois pares; Dois pares entre cinco cartas; o 3: Trinca; Três cartas de mesmo valor em cinco; o 4: Straight; Cinco cartas em sêqüencia; o 5: Flush; Cinco cartas do mesmo naipe; o 6: Full house; Um par + Trinca o 7: Quadra; Quatro cartas iguais em cinco o 8: Straight flush; Straight + Flush o 9: Royal flush; (As, Rei, Dama, Valete, 10) + flush Cada par S1 + C1 representada uma carta em uma jogada de poker.

9 2.2 Detalhes da Base Poker Hand Seguem abaixo comandos utilizados na linguagem R para obter informações sobre a base. A Figura 1 mostra a dimensão da base e os nomes de cada atributo. Já Figura 2 representa cada atributo, o tipo de dado e alguns elementos. O mesmo pode ser visto na Figura 3, porém apenas os cinco primeiros registros e na Figura 4 os cinco últimos. Figura 1. Base Poker Hand (autoria própria). Figura 2. Estrutura Poker Hand (autoria própria). Figura 3. Cinco primeiros registros (autoria própria).

10 Figura 4. Cinco últimos registros (autoria própria). A Figura 5 representa um sumario numérico de cada atributo. A Figura 6 mostra as variâncias de quatro atributos e da classe Poker.Hand. Figura 5. Resumos Númericos (autoria própria). Figura 6. Variâncias (autoria própria).

11 A Figura 7 é um histograma do atributo S1, mostrando que em média seis mil registros recebem valor 1, e isso se repete nos demais valores, pois o atributo é representado por 1, 2, 3 e 4, sendo estes naipes do baralho. A Figura 6 mostra as variâncias de quatro atributos e da classe Poker.Hand. Já a Figura 8, representa o histograma do atributo C1, que possui valores entre um e treze, onde podemos notar que em sua grande maioria são de valores 1 e 2. O histograma da classe Poker.Hand pode ser visto na Figura 9, onde observamos que mais de dez mil registros estão com valor zero, que representa nada na mão, ou seja, não possui nenhuma combinação válida para o Poker. Figura 7. Histograma S1 (autoria própria).

12 Figura 8. Histograma C1 (autoria própria). Figura 9. Histograma Classe Poker Hand (autoria própria).

13 O mesmo que foi observado no histograma da classe Poker.Hand pode ser visto na Figura 10, que representa a incidência de valores nesta classe. A Figura 11 mostra os mesmos dados da Figura 10, porém em forma de gráfico. Com o gráfico de coordenadas paralelas representado na Figura 12, verificamos a conexão existente entre todos os atributos. Figura 10. Incidência Classe Poker Hand (autoria própria). Figura 11. Gráfico Pizza Classe Poker Hand (autoria própria). Figura 12. Gráfico de Coordenadas Paralelas (autoria própria).

14 3 APLICAÇÃO DOS ALGORITMOS O presente estudo tem o intuito de aplicar algoritmos de Data Mining em uma base de dados de Poker. 3.1 Árvore de Decisão Aplicando a árvore de decisão diretamente nos registros, obtivemos a árvore representada na Figura 13, composta por apenas um nó. Figura 13. Árvore de Decisão (autoria própria). Isso acontece, pois a grande maioria dos registros possui valor entre zero e um na classe Poker.Hand, sendo que somente algumas poucas combinações de mãos de poker, possibilitam que o valor fique entre sete e nove por exemplo. Devido a isso, a base foi reduzida a 703 (setecentos e três) registros, e teve a classe Poker.Hand adaptada para a classe Apostar, de forma que tenhamos apenas três resultados possíveis, Sim, Não e Talvez, conforme mostrado abaixo: Apostar: Não

15 o 0: Nada na mão; Não é reconhecido; o 1: Um par; Duas cartas de mesmo valor entre cinco totais; o 2: Dois pares; Dois pares entre cinco cartas; Apostar: Talvez o 3: Trinca; Três cartas de mesmo valor em cinco; o 4: Straight; Cinco cartas em sêqüencia; o 5: Flush; Cinco cartas do mesmo naipe; o 6: Full house; Um par + Trinca Apostar: Sim o 7: Quadra; Quatro cartas iguais em cinco o 8: Straight flush; Straight + Flush o 9: Royal flush; (As, Rei, Dama, Valete, 10) + flush A Figura 14 representa a árvore de decisão em formato texto obtida com base nos setecentos e três registros adaptados. Figura 14. Árvore de Decisão 2 (autoria própria). A partir desta base, foram geradas mais duas de forma aleatória, uma para treinamento e outra para teste, conforme Figura 13, onde 70% da base foi destinada a treinamento e 30% para teste, conforme Figura 15.

16 Figura 15. Árvore de Decisão 3 (autoria própria). Podemos observar que o resultado da base de treinamento continua similar ao da árvore gerada com toda base, ou seja, Não Apostar, porém agora a visualização dos dados é mais clara. Na Figura 16, podemos ver as probabilidades de ocorrer cada resultado para os registros da base de teste, em torno de 89% dos resultados tendem a Não Apostar, mantendo os resultados anteriores. Figura 16. Previsões Árvore de Decisão Base de Teste (autoria própria). Na Figura 17, temos a tabela com os resultados da base de teste, onde dos 211 registros da base de teste, somente um possui resultado Sim, logo a tendência é Não Apostar.

17 Figura 17. Previsões Árvore de Decisão Base de Teste 2 (autoria própria). 3.2 Naive Bayes Aplicando o algoritmo Naive Bayes na mesma base particionada, os resultados foram similares aos obtidos com a árvore de decisão. A base foi dividida da mesma forma, em treinamento e teste, conforme Figura 18, onde também podemos ver a probalidade de ocorrência de cada situação. Figura 18. Algoritmo Naive Bayes (autoria própria). A Figura 19 mostra a predição dos dados de teste com base no algoritmo aplicado na base de treinamento e tabela com os resultados, onde

18 vemos a similaridade dos resultados. A Figura 20 mostra também a predição dos resultados porém em outro formato, onde mostram-se as probabilidades de ocorrência de cada situação para alguns registros. Figura 19. Previsões Naive Bayes Base de Teste (autoria própria). Figura 20. Previsões Naive Bayes Base de Teste 2 (autoria própria). 3.3 Support Vector Machines - SVM Aplicando o algoritmo SVM na mesma base particionada anteriormente, os resultados foram similares aos obtidos com os outros dois algoritmos. A base foi dividida da mesma forma, em treinamento e teste.

19 Na Figura 21 vemos os dados do algoritmo que aplicado, onde temos 208 vetores de suporte. Figura 21. Algoritmo SVM (autoria própria). Na Figura 22 temos a predição dos resultados para alguns registros e tabela com as ocorrências em cada situação, onde percebe-se claramente a similaridade dos resultados com os algoritmos aplicados anteriormente. Figura 22. Previsões SVM Base de Teste (autoria própria). Na Figura 23 temos a probabilidade de ocorrência de uma situação em comparação a outra.

20 Figura 23. Previsões SVM Base de Teste 2 (autoria própria). Figura 24. Distribuição (autoria própria). 3.4 K-Nearest Neighbour K-nn Aplicando o algoritmo K-nn na mesma base particionada anteriormente, os resultados foram similares aos obtidos com os outros algoritmos de classificação. A base foi dividida da mesma forma, em treinamento e teste, conforme Figura 25.

21 Figura 25. Algoritmo k-nn (autoria própria). Na Figura 26 temos a tabela com as ocorrências em cada situação, onde percebe-se claramente a similaridade dos resultados com os algoritmos aplicados anteriormente. Figura 26. Previsões K-nn Base de Teste (autoria própria). 3.5 Regras de Associação Apriori Para a aplicação do algoritmo Apriori, utilizado para buscar regras de associação, a base reduzida que foi gerada anteriormente, foi adaptada novamente, desta vez alterando os valores determinados para naipes em seus nomes, sendo: 1 Ouros 2 Espadas 3 Copas 4 Paus Os valores foram descritos por extenso: 1 Ás 2 Dois [.

22 ..] 11 Valete 12 Dama 13 Rei Como podemos ver na Figura 27, todas as regras geradas levam a Não Apostar, apesar de o resultado ser condizente com os demais algoritmos aplicados, esta base dificulta a aplicação de regras de associação, pois todos os elementos dependem de todos os elementos, para formar uma mão de poker é necessário levar em consideração todas as cinco cartas, seus naipes e valores, que a cada variação podem gerar uma combinação diferente. Figura 27. Regras de Associação (autoria própria). Nas Figuras 28 e 29 são apresentados os gráficos representando as regras de associação geradas pelo algoritmo apriori.

23 Figura 28. Agrupamento das Regras de Associação (autoria própria). Figura 29. Gráfico das Regras de Associação (autoria própria). 3.6 K-Means Para a aplicação do algoritmo de clusterização K-Means foi utilizada a base completa Poker Hand. Na Figura 30 são apresentados os comandos em R utilizados para clusterização, juntamente com os resultados, as coordenadas dos centros de cada classe, e a que classe pertencem alguns elementos.

24 Figura 30. K-Means Clustering (autoria própria). Na Figura 31 temos uma tabela comparativa da classe Poker.Hand com o resultado do cluster onde vemos a quantidade de ocorrência de cada elemento da classe por cluster. Figura 31. Tabela de ocorrência da Classe Poker.Hand por Cluster (autoria própria). Na Figura 32 vemos um gráfico da clusterização efetuada e na Figura 33 temos o mesmo o gráfico, porém separando os clusters e mostrando os centróides de cada um.

25 Figura 32. Gráfico Cluster (autoria própria). Figura 33. Gráfico Cluster 2 (autoria própria). 3.7 Agrupamento Hierárquico Para o agrupamento hierárquico foram utilizados apenas cem registros da base completa Poker Hand, conforme podemos ver nos comandos apresentados na Figura 34.

26 Figura 34. Comandos R Agrupamento Hierárquico (autoria própria). A Figura 35 mostra a quantidade de registros distribuídos em cada classe. Nas Figuras 36 e 37 e 38 são apresentados os dendrogramas para cada método disponível da função hclust. Figura 35. Classes Agrupamento Hierárquico (autoria própria). Figura 36. Método Average (autoria própria).

27 Figura 37. Método Single (autoria própria). Figura 38. Método Complete (autoria própria). 3.8 Outras Situações Com a base que foi gerada para aplicarmos as Regras de Associação, foram aplicados alguns algoritmos novamente, buscando confirmar os resultados obtidos.

28 Na Figura 39 é apresentada a árvore de decisão aplicada a base adaptada, na Figura 40 a árvore foi aplicada a uma parte desta base separada para treinamento como feito com a outra base. Na Figura 41, as predições geradas com base nos dados de teste. Contudo podemos observar que os resultados continuam similares. Figura 39. Nova Árvore de Decisão (autoria própria). Figura 40. Árvore de Decisão Nova Base de Teste (autoria própria). Figura 41. Predições Nova Árvore de Decisão (autoria própria). Na Figura 42 é apresentado o algoritmo Naive Bayes aplicado a base adaptada, na Figura 43 a tabela de predição gerada após treinamento em parte desta base adaptada.

29 Figura 42. Naive Bayes Novo (autoria própria). Figura 43. Predição Naive Bayes Novo (autoria própria).

30 4 ANÁLISE DOS RESULTADOS Com base em todos os algoritmos de classificação que foram aplicados, podemos observar que os resultados são similares e utilizando a base particionada e adaptada, notamos que a maioria dos resultados encontra-se no Não Apostar. Isso acontece, pois a maioria das combinações de mãos de Poker não são mãos válidas, ou mãos que contenham um valor expressivo, para que se possa classificar como Apostar ou Talvez Apostar. Com o algoritmo de regras de associação, observamos o mesmo que nos demais algoritmos, ou seja, as regras em sua maioria levam ao resultado Não Apostar. Como explicado no Capitulo 3, isso acontece pois nesta base todos os elementos são dependentes uns dos outros, não sendo possível estabelecer regras com base em apenas um deles. Árvore de Decisão Árvore de Decisão Adaptada Naive Bayes Naive Bayes Adaptada Não Sim Talvez SVM KNN Não Sim 2 5 Talvez Tabela 1. Resultados Gerais (autoria própria). De acordo com os resultados gerais das predições de cada algoritmo aplicados em uma base de teste, após terem sido aplicados em uma base de treinamento, notamos que os resultados mais próximos a realidade, são os em que o algoritmo foi aplicado na base adaptada. Com uma base puramente numérica e com uma grande dependência entre os elementos, como é o caso da base Poker Hand, observa-se que os algoritmos não tem a mesma efetividade quando aplicados em uma base com características alfanuméricas.

31 5 REFERÊNCIAS BIBLIOGRÁFICAS MINERAÇÃO DE DADOS < PPGCA_ htm>. Acesso em Janeiro de < em Janeiro de Acesso < Acesso em Janeiro de 2015.