Tài liệu Tìm hiểu các phương pháp phân cụm dữ liệu ứng dụng xây dựng bản đồ phân bố bệnh trên địa bàn tỉnh thái nguyên

LỜI CẢM ƠN Em xin chân thành cảm ơn Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên đã tạo điều kiện cho em thực hiện luận văn này. Em xin gửi lời cảm ơn sâu sắc tới thầy giáo TS Nguyễn Hải Minh, trưởng khoa Công nghệ thông tin – Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên đã trực tiếp hướng dẫn em trong quá trình thực hiện luận văn. Em cũng xin gửi lời cảm ơn tới các thầy, cô đã có những ý kiến đóng góp bổ ích và đã tạo mọi điều kiện tốt nhất cho em trong suốt thời gian thực hiện luận văn. Xin cảm ơn các bạn học đồng khóa đã thường xuyên động viên, giúp đỡ tôi trong quá trình học tập. Cuối cùng, em xin gửi lời cảm ơn đến gia đình và đồng nghiệp vì sự ủng hộ và động viên đã dành cho em trong suốt quá trình học tập cũng như thực hiện luận văn này. Thái Nguyên, tháng 11 năm 2015 Học viên Nguyễn Minh Tú LỜI CAM ĐOAN Em xin cam đoan về nội dung đồ án tốt nghiệp với tên đề tài “Tìm hiểu các phương pháp phân cụm dữ liệu ứng dụng xây dựng bản đồ phân bố bệnh trên địa bàn tỉnh Thái Nguyên” không sao chép nội dung từ các luận văn khác, hay các sản phẩm tương tự mà không phải do em làm ra. Sản phẩm luận văn là do chính bản thân em tìm hiểu và xây dựng nên. Nếu có gì sai em xin chịu mọi hình thức kỷ luật của Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên. Thái Nguyên, tháng 11 năm 2015 Học viên Nguyễn Minh Tú MỤC LỤC LỜI CẢM ƠN .......................................................................................................... i LỜI CAM ĐOAN .................................................................................................... ii MỤC LỤC ............................................................................................................. iii DANH MỤC BẢNG ............................................................................................... v DANH MỤC CÁC HÌNH VẼ ................................................................................ vi MỞ ĐẦU ................................................................................................................ 1 MỘT SỐ KẾT QUẢ NGHIÊN CỨU KHÁC ........................................................... 2 CHƯƠNG I. KHAI PHÁ DỮ LIỆU ....................................................................... 3 1.1. Tổng quan khai phá dữ liệu .......................................................................... 3 1.2. Quá trình khám phá tri thức và khai phá dữ liệu ........................................... 3 1.2.1. Quá trình khám phá tri thức .................................................................... 3 1.2.2. Quá trình khai phá dữ liệu ...................................................................... 6 1.3. Các kỹ thuật trong khai phá dữ liệu .............................................................. 7 1.4. Một số thách thức trong khai phá dữ liệu .................................................... 10 CHƯƠNG II. PHÂN CỤM DỮ LIỆU VÀ CÁC THUẬT TOÁNPHÂN CỤM ...... 12 2.1. Khái niệm phân cụm dữ liệu ....................................................................... 13 2.1.1. Một số định nghĩa................................................................................. 13 2.1.2. Dữ liệu và độ đo ................................................................................... 13 2.2. Các yêu cầu đối với phương pháp phân cụm dữ liệu ................................... 14 2.3. Các kỹ thuật phân cụm ............................................................................... 16 2.3.1. Các kỹ thuật phân cụm cơ bản .............................................................. 16 2.3.2. Các kỹ thuật phân cụm khác ................................................................. 17 2.3.3. Một số tiêu chuẩn đánh giá hiệu quả phân cụm .................................... 22 2.4. Một số thuật toán trong phân cụm dữ liệu ................................................... 23 2.4.1. Các thuật toán phân cụm phân hoạch.................................................... 23 2.4.2. Các thuật toán phân cụm phân cấp........................................................ 31 2.4.3. Các thuật toán phân cụm dựa trên mật độ ............................................. 37 2.4.3. Các thuật toán phân cụm dựa vào lưới .................................................. 41 2.4.4. Các thuật toán phân cụm dựa trên mô hình ........................................... 43 CHƯƠNG 3: XÂY DỰNG BẢN ĐỒ PHÂN BỐ BỆNH....................................... 45 3.1. Bài toán phân cụm dữ liệu hồ sơ bệnh án.................................................... 45 3.2. Dữ liệu và tiêu chí xác định ........................................................................ 45 3.2.1. Một số đặc điểm tập dữ liệu gốc ........................................................... 45 3.2.2. Tiền xử lý dữ liệu gốc .......................................................................... 47 3.3. Lựa chọn phương pháp phân cụm ............................................................... 53 3.4. Kết quả phân cụm dữ liệu mẫu ................................................................... 54 3.5. Biểu điễn kết quả phân bố bệnh trên bản đồ................................................ 60 KẾT LUẬN ........................................................................................................... 62 TÀI LIỆU THAM KHẢO ..................................................................................... 64 DANH MỤC BẢNG Bảng 3.1: Các loại bệnh và ký hiệu........................................................................ 54 Bảng 3.2: Các khu vực hành chính và ký hiệu ....................................................... 55 Bảng 3.3: Dữ liệu đầu vào cho phân cụm phân cấp ................................................ 55 Bảng 3.4: Biểu diễn kết quả phân cụm chi tiết ....................................................... 58 Bảng 3.5: Biểu diễn kết quả phân cụm theo tiêu chí bệnh ...................................... 60 DANH MỤC CÁC HÌNH VẼ Hình 1.1: Các giai đoạn trong quá trình khám phá tri thức ....................................... 4 Hình 1.2: Quá trình khai phá dữ liệu ........................................................................ 7 Hình 2.1: Ví dụ về phân cụm theo mật độ[4] ......................................................... 18 Hình 2.2: Cấu trúc phân cụm dựa trên lưới[4]........................................................ 19 Hình 2.3: Ví dụ về phân cụm dựa trên mô hình[4] ................................................. 20 Hình 2.4: Cách mà các cụm có thể đưa ra .............................................................. 21 Hình 2.5: Thuật toán k-means ................................................................................ 24 Hình 2.6: Sự thay đổi tâm cụm trong k-means khi có phần tử ngoại lai ................. 27 Hình 2.7: Phân cụm phân cấp tập theo phương pháp “dưới lên” [4] ....................... 32 Hình 2.8: Single link.............................................................................................. 32 Hình 2.9: Complete link ........................................................................................ 32 Hình 2.10: Các bước cơ bản của AGNES[4] .......................................................... 34 Hình 2.11: Các bước cơ bản của DIANA[4] .......................................................... 35 Hình 2.12: Cấu trúc cây CF ................................................................................... 36 Hình 2.13: Hình dạng các cụm được khám phá bởi thuật toán DBSCAN............... 39 Hình 2.14: Sắp xếp cụm trong OPTICS phụ thuộc vào [4] ................................... 40 Hình 3.1: Sơ đồ khối giải quyết bài toán ................................................................ 45 Hình 3.2: Phân tích dữ liệu gốc, thuộc tính “HO TEN”.......................................... 48 Hình 3.3: Dữ liệu gốc sau khi loại bỏ thuộc tính thừa và dữ liệu trùng lặp ............. 49 Hình 3.4: Phân tích dữ liệu gốc, thuộc tính “QUAN HUYEN” .............................. 50 Hình 3.5: Loại bỏ một số giá trị của thuộc tính “QUAN HUYEN” ........................ 51 Hình 3.6: Dữ liệu trước và sau khi lọc thuộc tính “CHUAN DOAN DAU RA”..... 52 Hình 3.7: Cấu và phân bố dữ liệu mẫu ................................................................... 56 Hình 3.8: Thiết lập tham số thuật toán K-means .................................................... 57 Hình 3.9: Kết quả phân cụm chi tiết....................................................................... 57 Hình 3.10: Kết quả phân cụm dựa trên loại bệnh ................................................... 59 Hình 3.11: Bản đồ phân bố bệnh các khu vực ........................................................ 61 1 MỞ ĐẦU Đề tài tìm hiểu các phương pháp phân cụm dữ liệu, đánh giá ưu nhược điểm của mỗi phương pháp để tìm ra phương pháp phù hợp áp dụng trên tập dữ liệu mẫu. Kết quả sẽ được dùng để xây dựng bản đồ phân bố bệnh trên địa bàn tỉnh Thái Nguyên nhằm hỗ trợ công tác lên kế hoạch dự trù cơ sở vật chất, thuốc và các trang thiết bị khác cho các trung tâm y tế của Tỉnh. Thái Nguyên là một tỉnh trung du miền núi thuộc vùng Đông Bắc của Việt Nam với diện tích hơn 3500 km2 và dân số khoảng hơn một triệu người; bao gồm 9 đơn vị hành chính: Thành phố Thái Nguyên; Thị xã Sông Công và 7 huyện: Phổ Yên, Phú Bình, Đồng Hỷ, Võ Nhai, Định Hóa, Đại Từ, Phú Lương. Trong đó, tổng số gồm 180 xã, trong đó có 125 xã vùng cao và miền núi, còn lại là các xã đồng bằng và trung du.Tỉnh Thái Nguyên có nhiều dân tộc anh em sinh sống. Tuy nhiên, dân cư phân bố không đều, vùng cao và vùng núi dân cư rất thưa thớt, trong khi đó ở thành thị và đồng bằng dân cư lại dày đặc. Mật độ dân số thấp nhất là huyện Võ Nhai 72 người/ km2, cao nhất là Thành phố Thái Nguyên với mật độ 1.260 người/ km2. Do sự khác biệt lớn trong cơ cấu dân số, lối sống, trình độ dân trí nên có những sự khác biệt đáng kể trong các hình thức bệnh trong các khu vực hành chính khác nhau. Nếu các thông tin về hình thức bệnh và các vấn đề sức khỏe trong mỗi khu vực hành chính được thu thập đầy đủ, nó sẽ có thể sẽ giúp việc phân bổ nguồn lực hiệu quả để phát triển các chính sách y tế công cộng cho các khu vực khác nhau. Luận văn sử dụng các kỹ thuật khai thác dữ liệu để phân tích dữ liệu y tế thuộc Đại học Y Dược Thái Nguyên trongbốn tháng đầu năm 2015. Hy vọng rằng việc sử dụng các công cụ này một cách hiệu quả có thể phân tích và điều tra hình thức bệnh trong khu vực hành chính khác nhau của Thái Nguyên để tiếp tục xây dựng một bản đồ y tế cho tỉnh Thái Nguyên. 2 MỘT SỐ KẾT QUẢ NGHIÊN CỨU KHÁC Ching-Kuo Wei et al. [2] Nghiên cứu này sử dụng các kỹ thuật khai phá dữ liệu điều tra các loại bệnh trong các khu vực hành chính khác nhau và phân tích sự khác nhau giữa các khu vực hành chính để tiếp tục xây dựng một bản đồ phân bố bệnh. Nghiên cứu hy vọng sẽ giúp xây dựng trong tương lai các chiến lược y tế và phân bố các nguồn lực một cách thích hợp. Lavrac [4] đề xuất một số kỹ thuật khai thác dữ liệu có thể được áp dụng trong y học, và đặc biệt là một số kỹ thuật máy học bao gồm các cơ chế mà làm cho chúng phù hợp hơn cho việc phân tích cơ sở dữ liệu y tế (nguồn gốc của các quy tắc mang tính biểu tượng, sử dụng các kiến thức nền, độ nhạy và độ đặc hiệu của giới thiệu gây ra). Tầm quan trọng của thông dịch các kết quả phân tích dữ liệu là thảo luận và minh họa trên các ứng dụng y tế đã chọn. Lavrac et al. [5] đề xuất một phương pháp khai thác dữ liệu và công nghệ trực quan được sử dụng để hỗ trợ việc ra quyết định liên quan đến sức khỏe cộng đồng tại Slovenia.Mục đích nhằm khai thác cơ sở dữ liệu y tế công cộng để xác định khả năng đáp ứng của các dịch vụ y tế công cộng đối với các khu vực. Các kết quả có thể sử dụng để phát triển các chính sách chăm sóc sức khỏe cơ quan y tế. 3 CHƯƠNG I. KHAI PHÁ DỮ LIỆU 1.1. Tổng quan khai phá dữ liệu Cùng với sự phát triển mạnh mẽ của công nghệthông tin,lượng thông tin của nhân loại đượclưu trữ trên các thiết bị điện tử, các hệ thống thông tin ngày một tăng. Việc ứng dựng công nghệ thông tin mạnh mẽ, sâu rộng trong nhiều lĩnh vực: khoa học, kinh doanh, chứng khoán, thương mại, giao dịch,… đã tích lũy nên nguồn dữ liệu khổng lồ.Sự bùng nổ này đãdẫn tới một yêu cầu cấp thiết là cần có những kỹ thuật và công cụ mới để tựđộng chuyển đổi lượng dữ liệu khổng lồ kia thành các tri thức có ích. Do đó, khai phá dữ liệu (Data Mining) và các kỹ thuật phai phá dữ liệu ra đời đã phần nào giải quyết được được yêu cầu trên. Trithức được xem như là các thông tin tích hợp, bao gồm các sự kiện và mốiquan hệ giữa chúng, đã được nhận thức, khám phá, hoặc nghiên cứu. Nói cáchkhác, tri thức có thể được coi là dữ liệu ở mức độ cao của sự trừu tượng vàtổng quát. Khám phá tri thức là quá trình tìm ra những tri thức, đó là những mẫu tìm ẩn, trước đó chưa biết và là thông tin hữu ích đáng tin cậy.Khai phá dữ liệu là một bước trong quá trình khám phá tri thức, gồmcác thuật toán khai thác dữ liệu chuyên dùng dưới một số qui định về hiệu quảtính toán chấp nhận được để tìm ra các mẫu hoặc các mô hình trong dữ liệu.Nói cách khác, mục tiêu của khai phá dữ liệu là tìm kiếm các mẫu hoặc môhình tồn tại trong cơ sở dữ liệu (CSDL) nhưng ẩn trong khối lượng lớn dữ liệu. Khám phá tri thức từ CSDL là một quá trình sử dụng các phương pháp và công cụ tin học để khám phá,lựa chọn được tập con dữ liệu tốt, từ đó phát hiện các mẫu phù hợp với mục tiêu đề ra. Đó chính là tri thức, được rút ra từ CSDL, thường để phục vụ cho việc giải quyết một loạt nhiệm vụ nhất định trong một lĩnh vực nhất định. 1.2. Quá trình khám phá tri thức vàkhai phá dữ liệu 1.2.1 . Quá trình khám phá tri thức 4 Quá trình khám phá tri th thức là một quá trình bao gồm nhiều ều giai đoạnvới nhiều hoạt động tương ương tác gi giữa con người và CSDL thông qua việc ệc hỗ trợ của các phương pháp, thuật ật toán cũng như các công cụ tin học. Tri thức được ợc rút ra từ các CSDL đểể phục vụ cho việc giải quyết một loạt nhiệm vụ nhất định trong một lĩnh vực nào đó. Do đó quá trình tr khám phá tri thức ức cũng mang tính chất hướng h nhiệm vụ, không phải ải phát hiện mọi tri thức đ được bất kỳ mà phát hiện ện tri thức nhằm giải quyết tốt vấn đề đặt ra. Hình 1.1: Các giai đo đoạn trong quá trình ình khám phá tri thức th Quá trình khám phá tri thức th gồm sáu giai đoạn[1] như hình ình 1.1. 1.1 Bắt đầu của quá trình là kho dữ ữ liệu thô v và kết thúc với tri thức đượcchiết ợcchiết xuất ra. Đây là một quátrình rất ất khó khăn gặp phải rất nhiều v vướng ớng mắc: quản lý các tập dữ liệu,phải lặp đi lặp lại toàn bộ quá trình, ình, ... 1. Gom dữ ữ liệu: Tập hợp dữ liệu llà bước đầu tiên ên trong quá trìnhkhai trình phá dữ liệu. Đây là bước được ợc khai thác trong một ccơ sở dữliệu, một ột kho dữ liệu nguồn thông tin Internet. 2. Trích lọc dữ liệu liệu: Ở giai đoạn này dữ liệu được ợc lựa chọn hoặcphân chia theomột số tiêu chuẩn nào ào đó ph phục vụ mục đích khaithác. 3. Làm sạch, ạch, tiền xử lý v và chuẩn bị trước dữ liệu: Dữ ữ liệu cần được đ làm sạch để khắc phục đối với trư ường dữ liệu rỗng, dư thừa ừa hoặc dữ liệu không hợp lệ. Giai 5 đoạn này là một bước rấtquan trọng trong quá trình khai phá dữ liệu. Một số lỗi thườngmắc phải trong khi gom dữ liệu là tính không đủ chặt chẽ.Vì vậy, dữ liệu thường chứa các giá trị vô nghĩa và không có khảnăng kết nối dữ liệu. Giai đoạnnày sẽ tiến hành xử lý những dạng dữ liệu không chặt chẽ nóitrên. Những dữ liệu dạng được xem như thông tin dư thừa,không có giá trị sẽ được loại bỏ. Dữ liệu này nếu không được “làm sạch - tiền xử lý - chuẩn bịtrước” thì sẽ gây nên những kết quả sai lệch nghiêm trọng. Các công việc tiền xử lý dữ liệu bao gồm: - Xử lý dữ liệu bị mất, thiếu: Các dữ liệu thiếu sẽ được thay thế bằng các giá trị thích hợp. - Khử bỏ trùng lặp: các đối tượng dữ liệu trùng lặp sẽ bị loại bỏ. - Giảm nhiễu: dữ liệu nhiễu và các đối tượng tách rời khỏi phân bố chung sẽ bị loại bỏ khỏi tập dữ liệu. - Chuẩn hóa: thông thường là chuẩn hóa miền giá trị của dữ liệu cho phù hợp. - Rời rạc hóa: chính là việc biến đổi dữ liệu dạng số về dữ liệu với các giá trị rời rạc. - Trích rút và xây dựng các đặc trưng mới từ các thuộc tính đã có. - Giảm chiều không gian thuộc tính: là loại bỏ bớt các thuộc tính có chứa ít thông tin. 4. Chuyển đổi dữ liệu: Tiếp theo là giai đoạn chuyển đổi dữ liệu, dữliệu đưa ra có thể sử dụng và điều khiển được bởi việc tổ chức lạinó, tức là dữ liệu sẽ được chuyển đổi về dạng phù hợp với mục đíchkhai phá dữ liệu. 5. Khai phá dữ liệu (KPDL): Đây là bước quan trọng nhất trong tiến trình phát hiện tri thức, là bước mang tính tư duy trong khai phádữ liệu. Ở giai đoạn này nhiều thuật toán khác nhau đã được sử dụng để trích ra các mẫu từ dữ liệu. Thuật toán thường dùng làm nguyên tắc phân loại, nguyên tắc liên kết, ... Kết quả quả giai đoạn này là trích chọn được các mẫu hoặc các mô hình ẩn dưới một khối lượng lớn dữ liệu. 6. Đánh giá các luật và biểu diễn tri thức: Ở giai đoạn này, các mẫu dữ liệu được chiết xuất ra bởi phần mềm KPDL. Không phải bất cứ mẫu dữ liệu nào cũng đều hữu ích, đôi khi nó còn bị sai lệch. Vì vậy, cần phải ưu tiên những tiêu chuẩn 6 đánh giá để chiết xuất ra các tri thức (Knowlege) cần chiết xuất ra. Đánh giá sự hữu ích của các mẫu biểu diễn tri thức dựa trên một số phép đo. Sau đó sử dụng các kỹ thuật trình diễn và trực quan hoá dữ liệu để biểu diễn tri thức khai phá được cho người sử dụng. Biểu diễn tri thức bao bao gồm việc hiển thị kết quả hoặc dịch kết quả để hiểu và trình diễn. Trong bước này các tri thức vừa mới khám phá sẽ được củng cố, kết hợp lại thành một hệ thống, đồng thời giải quyết các xung đột tiềm năng trong các tri thức trước đó. Các mô hình rút ra được đưa vào những hệ thống thông tin thực tế dưới dạng các mô-đun hỗ trợ việc đưa ra quyết định. Các giai đoạn (bước) của quá trình phát triển tri thức có mỗi quan hệ chặt chẽ với nhau trong bối cảnh chung của hệ thống. Các kỹ thuật trong bước trước có thể ảnh hưởng đến hiệu quả của các giải thuật trong nhưỡng bước tiếp theo. Các bước của quá trình khám phá tri thức có thể lặp đi lặp lại một số lần, kết quả thu được có thể được lấy trung bình trên tất cả các lần thực hiện. 1.2.2. Quá trình khai phá dữ liệu KPDL là giai đoạn quan trọng nhất trong quá trình khám phátri thức. Về cơ bản, KPDL là về xử lý dữ liệu và nhận biết các mẫu và các xu hướng trong thông tin đó để bạn có thể quyết định hoặc đánh giá. Các nguyên tắc KPDL đã được dùng nhiều năm, nhưng với sự ra đời của big data (dữ liệu lớn), nó lại càng phổ biến hơn. Big data gây ra một sự bùng nổ về sử dụng nhiều kỹ thuật KPDL hơn, một phần vì kích thước thông tin lớn hơn rất nhiều và vì thông tin có xu hướng đa dạng và mở rộng hơn về chính bản chất và nội dung của nó. Với các tập hợp dữ liệu lớn, để nhận được số liệu thống kê tương đối đơn giản và dễ dàng trong hệ thống vẫn chưa đủ[6]. Với 30 hoặc 40 triệu bản ghi thông tin khách hàng chi tiết, việc biết rằng 2 triệu khách hàng trong số đó sống tại một địa điểm vẫn chưa đủ. Bạn muốn biết liệu 2 triệu khách hàng đó có thuộc về một nhóm tuổi cụ thể không và bạn cũng muốn biết thu nhập trung bình của họ để bạn có thể tập trung vào các nhu cầu của khách hàng của mình tốt hơn. 7 Những nhu cầu đa dạng d đã thay đổi cách lấy ra và thống kêê dữ d liệu đơn giản sang việc KPDL phức ức tạp hơn. h Vấn đề hướng ớng tới việc xem xét dữ liệu để giúp xây dựng một mô hình đểể mô tả các thông tin m mà cuối cùng sẽẽ dẫn đến việc tạo ra báo cáo kết quả. Hình 1.2: 1. Quá trình khai phá dữ liệu - Xác định ịnh nhiệm vụ: Xác định chính xác các vấn đề cần giải quyết. - Xác định ịnh các dữ liệu liên li quan: Dùng đểể xây dựng giải pháp. - Thu thập và tiền ền xử lý dữ liệu: Thu thập các dữ liệu li liên ên quan và tiền ti xử lý chúng sao cho thuật ật toán KPDL có thể hiểu đ được. Đây là một ột quá trình tr rất khó khăn, có thểể gặp phải rất nhiều các v vướng mắc như: dữ liệu phải đư ược sao ra nhiều bản (nếu được ợc chiết xuất vào v các tệp), ệp), quản lý tập các dữ liệu, phải lặp đi lặp lại nhiều lần toàn bộ quá trình ình (nếu (n mô hình dữ liệu thay đổi), ... - Thuật toán KPDL KPDL: Lựa chọn thuật toán khai phá dữ liệu vàà thực hiện việc khai phá dữ liệu để tìm được đư các mẫu có ý nghĩa, các mẫu này được ợc biểu diễn dưới dạng ạng luật kết hợp, cây quyết định...tương ứng mục đích đề ra. 1.3. Các kỹ thuậtt trong khai phá dữ d liệu Có nhiều ều kỹ thuật khác nhau được đ ợc sử dụng để KPDL nhằm thực hiện hai chức năng mô tả và dự ự đoán. Với mỗi chức năng thì th có các kỹ ỹ thuật KPDL tương t ứng với nó. Không có kỹ ỹ thuật nào n tốt để có thể áp dụng cho mọi trường ờng hợp [1]. Kỹ ỹ thuật KPDL mô tả có nhiệm vụ mô tả tính chất hoặc các đặc tính chung của ủa dữ liệu trong CSDL hiện có. Một ột số kỹ thuật khai phá trong nhóm này n là: phân cụm ụm dữ liệu, tổng hợp, trực quan hóa, phân tích sự phát triển và v độ ộ lệch,… 8 Kỹ thuật KPDL dự đoán có nhiệm vụ đưa ra các dự đoán vào việc suy diễn trên CSDL hiện thời. Một số kỹ thuật khai phá trong nhóm này là: phân lớp, hồi quy, cây quyết định, thống kê, mạng nơ-ron, luật kết hợp,… 9 a. Cây quyết định Kỹ thuật cây quyết định là một công cụ mạnh và hiệu quả trong việc phân lớp và dự báo. Các đối tượng dữ liệu được phân thành các lớp. Các giá trị của đối tượng dữ liệu chưa biết sẽ được dự báo, dự đoán. Tri thức được rút ra dưới kỹ thuật này thường ở dưới dạng tường minh, đơn giản, trực quan đối với người sử dụng. b. Phân lớp dữ liệu và hồi quy Mục tiêu của phân lớp dữ liệu là dự đoán nhãn lớp cho các mẫu dữ liệu. Quá trình gồm hai bước: xây dựng mô hình, dử dụng mô hình để phân lớp dữ liệu. Mô hình được sử dụng để dự đoán nhãn lớp khi mà độ chính xác của mô hình chấp nhận được. Phương pháp hồi quy tương tự như phân lớp dữ liệu. Nhưng khác ở chỗ nó dùng để dự đoán trước các giá trị liên tục, còn phân lớp dữ liệu dùng để dự đoán các giá trị rời rạc. c. Phân cụm dữ liệu Phân cụm dữ liệu là một kỹ thuật trong Data mining nhằm tìm kiếm, phát hiện các cụm, các mẫu dữ liệu tự nhiên tiềm ẩn và quan trọng trong tập dữ liệu lớn để từ đó cung cấp thông tin, tri thức cho việc ra quyết định. Mục tiêu của phân cụm dữ liệu là nhóm các đối tượng tương tự nhau trong tập dữ liệu vào các cụm, sao cho những đối tượng thuộc cùng một lớp là tương đồng nhau. d. Khai phá luật kết hợp Mục tiêu của phương pháp này là phát hiện và đưa ra mỗi liên hệ giữa các giá trị dữ liệu trong CSDL. Đầu ra của giải thuật luật kết hợp là tập luật kết hợp tìm được. Phương pháp khai phá luật kết hợp gồm có hai bước: - Bước một: Tìm ra tất cả các tập mục phổ biến. Một tập mục phổ biến được xác định thông qua việc tính độ hỗ trợ và thỏa mãn độ hỗ trợ cực tiểu. - Bước hai: Sinh ra các luật kết hợp mạnh từ tập mục phổ biến, luật phải thỏa mãn độ hỗ trợ và độ tin cậy cực tiểu. 10 e. Giải thuật di truyền Giải thuật di truyền là quá trình mô phỏng theo tiến hóa của tự nhiên. Ý tưởng chính của giai đoạn này là dựa vào quy luật di truyền trong biến đổi, chọn lọc tự nhiên và tiến hóa trong sinh học. f. Mạng nơ-ron Đây là một trong những kỹ thuật KPDL được sử dụng phổ biển hiện nay. Kỹ thuật này phát triển dựa trên nền tảng toán học vững vàng, khả năng huấn luyện trong kỹ thật này mô phỏng hệ thần kinh trung ương của con người. Kết quả mà mạng nơ-ron học được có khả năng tạo ra các mô hình dự báo, dự đoán với độ chính xác và độ tin cậy cao. Nó có khả năng phát hiện ra các xu hướng phức tạp mà các kỹ thuật thông thường khác khó có thể phát hiện ra được. Tuy nhiên đây là kỹ thuật tương đối phức tạp và quá trình thực hiện nó gặp rất nhiều khó khăn, đòi hỏi tốn nhiều thời gian, nhiều dữ liệu, nhiều lần kiểm tra thử nghiệm. 1.4. Một số thách thức trong khai phá dữ liệu Khám phá tri thức và khai phá dữ liệu liên quan đến nhiều ngành, nhiều lĩnh vực, do đó cũng tồn tại nhiều thách thức và khó khăn: - Các cơ sở dữ liệu lớn hơn rất nhiều: cơ sở dữ liệu với hàng trăm trường và bảng, hàng triệu bản ghi và kích thước lên tới nhiều gigabyte là vấn đề hoàn toàn bình thường. - Số chiều cao : không chỉ thường có một số lượng rất lớn các bản ghi trong cơ sở dữ liệu mà còn có một số lượng rất lớn các trường (các thuộc tính, các biến) làm cho số chiều của bài toán trở nên cao. Thêm vào đó, nó tăng thêm cơ hội cho một giải thuật khai phá dữ liệu tìm ra các mẫu không hợp lệ. - Thay đổi dữ liệu và tri thức: thay đổi nhanh chóng dữ liệu có thể làm cho các mẫu phát hiện trước đó không hợp lệ. Thêm vào đó, các biến đã đo trong một cơ sở dữ liệu ứng dụng cho trước có thể bị sửa đổi, xóa bỏ hay tăng thêm các phép đo mới. Các giải pháp hợp lý bao gồm các phương pháp tăng trưởng để cập nhật các mẫu và xử lý thay đổi. 11 - Dữ liệu thiếu và bị nhiễu: bài toán này đặc biệt nhạy trong các cơ sở dữ liệu thương mại. Các thuộc tính quan trọng có thể bị mất nếu cơ sở dữ liệu không được thiết kế với sự khám phá bằng trí tuệ. Các giải pháp có thể gồm nhiều chiến lược thống kê phức tạp để nhận biết các biến ẩn và các biến phụ thuộc. - Mối quan hệ phức tạp giữa các trường: các thuộc tính hay giá các giá trị có cấu trúc phân cấp, các quan hệ giữa các thuộc tính và các phương tiện tinh vi hơn cho việc biểu diễn tri thức về nội dung của một cơ sở dữ liệu sẽ đòi hỏi các giải thuật phải có khả năng sử dụng hiệu quả các thông tin này. Về mặt lịch sử, các giải thuật khai phá dữ liệu được phát triển cho các bản ghi có giá trị thuộc tính đơn giản, mặc dù các kỹ thuật mới bắt nguồn từ mối quan hệ giữa các biến đang được phát triển. - Tính dễ hiểu của các mẫu: trong nhiều ứng dụng, điều quan trọng là những gì khai thác được phải càng dễ hiểu đối với con người thì càng tốt. Các giải pháp có thể thực hiện được bao gồm cả việc biểu diễn được minh họa bằng đồ thị, cấu trúc luật với các đồ thị có hướng, biểu diễn bằng ngôn ngữ tự nhiên và các kỹ thuật hình dung ra dữ liệu và tri thức. - Người dùng tương tác và tri thức sẵn có: nhiều phương pháp khám phá tri thức và các công cụ không tương tác thực sự với người dùng và không thể dễ dàng kết hợp chặt chẽ với tri thức có sẵn về một bài toán loại trừ theo các cách đơn giản. Việc sử dụng của miền tri thức là quan trọng trong toàn bộ các bước của xử lý khám phá tri thức. Kết luận Khai phá dữ liệu là lĩnh vực đã và đang trở thành một trong những hướng nghiên cứu thu hút được sự quan tâm của nhiều chuyên gia về công nghệ thông tin. Gần đây, rất nhiều phương pháp và thuật toán mới liên tục được công bố. Điều này chứng tỏ những lợi ích và khả năng ứng dụng thực tế của khai phá dữ liệu. Chương này đã trình bày một số kiến thức tổng quan về khám phá tri thức, những khái niệm và kiến thức cơ bản nhất về khai phá dữ liệu. 12 CHƯƠNG II. PHÂN CỤM DỮ LIỆU VÀ CÁC THUẬT TOÁN PHÂN CỤM Phân cụm là một trong những chủ đề được quan tâm nhiều trong các nghiên cứu KPDL. Phân cụm là quá trình nhóm một tập các đối tượng thành các nhóm hay các lớp đối tượng “tương tự” nhau. Một cụm là tập các đối tượng “giống nhau” hay tương tự nhau. Các đối tượng khác cụm là ít hoặc không tương tự nhau. Không giống như quá trình phân loại, ta thường biết trước tính chất hay đặc điểm của đối tượng trong cùng một cụm và dựa vào đó để ấn định một đối tượng vào cụm của nó, trong quá trình phân cụm ta không hề biết trước các tính chất của cụm mà dựa vào các mỗi quan hệ của các đối tượng để tìm ra sự giống nhau giữa các đối tượng dựa vào một độ đo nào đó đặc trưng cho mỗi cụm. Việc phân cụm dữ liệu không thực hiện độc lập mà thường kết hợp với các phương pháp khác. Một cách phân cụm đưa ra cũng phải có một phương pháp áp dụng trên các lớp đó để đưa ra được ý nghĩa của cụm. Trong lĩnh vực KPDL, các vấn đề nghiên cứu trong phân cụm chủ yếu tập trung vào tìm kiếm các phương pháp phân cụm hiệu quả và tin cậy trong CSDL lớn. Một vấn đề thường gặp trong phân cụm dữ liệu (PCDL) là hầu hết các dữ liệu cần cho PCDL đều có chứa dữ liệu “nhiễu” do nhiều nguyên nhân khác nhau, vì vậy cần xây dựng chiến lược cho bước tiền xử lý nhằm loại bỏ những dữ liệu “nhiễu” trước khi bước vào giai đoạn phân tích PCDL. Ngoài ra, dò tìm phần tử ngoại lai là một trong những hướng nghiên cứu quan trọng trong PCDL, chức năng của nó là xác định một nhóm nhỏ các đối tượng dữ liệu “khác thường” so với các dữ liệu khác trong CSDL nhằm tránh sự ảnh hướng của chúng tới quá trình cũng như kết quả PCDL. PCDL là một bài toán không hề đơn giản và phải giải quyết nhiều vấn đề cơ bản như sau: - Biểu diễn dữ liệu. - Xây dựng hàm tính độ tương tự. 13 - Xây dựng các tiêu chuẩn phân cụm. - Xây dựng mô hình cho cấu trúc cụm dữ liệu. - Xây dựng thuật toán phân cụm và xác lập các điều kiện khởi tạo. - Xây dựng các thủ tục biểu diễn và đánh giá kết quả phân cụm. 2.1. Khái niệm phân cụm dữ liệu 2.1.1. Một số định nghĩa Phân cụm là kỹ thuật rất quan trọng trong khai phá dữ liệu, nó thuộc lớp các phương pháp “Unsupervised Learning” trong “Machine Learning”. Có rất nhiều định nghĩa khác nhau về kỹ thuật này, nhưng về bản chất phân cụm là các qui trình tìm cách nhóm các đối tượng đã cho vào các cụm (clusters), sao cho các đối tượng trong cùng một cụm tương tự (similar) nhau và các đối tượng khác cụm thì không tương tự (Dissimilar) nhau. Mục đích của phân cụm là tìm ra bản chất bên trong các nhóm của dữ liệu. Các thuật toán phân cụm (Clustering Algorithms) đều sinh ra các cụm (clusters). Tuy nhiên, không có tiêu chí nào là được xem là tốt nhất để đánh hiệu của của phân tích phân cụm, điều này phụ thuộc vào mục đích của phân cụm như: data reduction, “natural clusters”, “useful” clusters, outlier detection. 2.1.2. Dữ liệu và độ đo Trong phân cụm, các đối tượng phân tích này phải được biểu diễn chặt chẽ thông qua các đặc điểm của đối tượng đó. Những đặc điểm này có ý nghĩa quyết định đến kết quả của thuật toán phân cụm. Các loại dữ liệu được tìm hiểu theo hai hướng tiếp cận: tiếp cận dựa trên kích thước miền và tiếp cận theo tỷ lệ đo. a. Phân loại dựa trên kích thước miền Cách phân loại này phân biệt các đối tượng dữ liệu dựa trên kích thước miền của đối tượng đó, tức là số giá trị khác nhau của vùng đó. Giả sử có CSDL D và n đối tượng. Nếu x, y, z là ba đối tượng của D thì chúng sẽ có dạng: x = (x1, x2,…,xk), y = (y1, y2,…,yk) , z = (z1, z2,…,zk) Với k là số chiều và xi, yi, zi với 1 ≤ i ≤ k là các thuộc tính tương ứng của các đối tượng. Vì vậy, thuật ngữ “loại dữ liệu” là chỉ “loại thuộc tính dữ liệu”. 14 Chúng ta có các loại lớp sau[1]: - Thuộc tính liên tục: miền giá trị của các thuộc tính này là miền các giá trị liên tục. Ví dụ: nhiệt độ, mầu sắc, âm thanh… - Thuộc tính rời rạc: miền giá trị của các thuộc tính này là là miền các giá trị rời rạc. Ví dụ: số quyển sách, số quả cam,… - Thuộc tính nhị nguyên: miền giá trị của các thuộc tính này chỉ bao gồm hai giá trị rời rạc. Đó là trường hợp đặc biệt của thuộc tính rời rạc. Ví dụ: các câu trả lời có/không, giới tính nam/nữ… b. Phân loại dựa vào phép đo Giả sử có hai đối tượng x,y và giá trị thuộc tính i của mỗi đối tượng tương ứng là xi và yi. Ta có các thuộc tính sau: - Định danh: các giá trị ở lớp này chỉ có phép toán só sánh bằng (xi = yi) hoặc không bằng (xi # yi). - Có thứ tự: ngoài các phép toán dữ liệu định danh các giá trị thuộc lớp này còn là các phép so sánh lớn hơn (xi> yi) và nhỏ hơn (xi< yi). - Có khoảng cách: các giá trị ở lớp này có phép toán tính được độ lệch giữa hai giá trị xi - yi. 2.2. Các yêu cầu đối với phương pháp phân cụm dữ liệu Đến nay chưa có một phương pháp phân cụm tổng quát nào có thể giải quyết trọn vẹn tất cả các dạng cấu trúc cụm dữ liệu. Hơn nữa, các phương pháp phân cụm cần có cách thức biểu diễn cấu trúc các cụm dữ liệu khác nhau, với mỗi cách thức biểu diễn khác nhau sẽ có một phương pháp phân cụm phù hợp. Việc lựa chọn một thuật toán phân cụm là vấn đề then chốt để giải quyết bài toán phân cụm dữ liệu, lựa chọn này phụ thuộc vào đặc tính dữ liệu cần phân cụm, mục đích của các bài toán thực tế là xác định độ ưu tiên giữa chất lượng phân cụm và tốc độ thực hiện của thuật toán. Thông thường các nghiên cứu để xây dựng và phát triển thuật toán phân cụm dữ liệu đều nằm đáp ứng yêu cầu sau [1]: