Tài liệu Luận văn thạc sĩ khai phá tập mục lợi ích cao dựa trên cấu trúc cây tiền tố

i ®¹i häc th¸i nguyªn Tr-êng ®¹i häc C¤NG NGHÖ TH¤NG TIN Vµ TRUYÒN TH¤NG NGUYỄN THỊ LUYẾN KHAI PHÁ TẬP MỤC LỢI ÍCH CAO DỰA TRÊN CẤU TRÚC CÂY TIỀN TỐ LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH th¸i nguyªn - n¨m 2014 Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ ii ®¹i häc th¸i nguyªn Tr-êng ®¹i häc C¤NG NGHÖ TH¤NG TIN Vµ TRUYÒN TH¤NG NGUYỄN THỊ LUYẾN [ KHAI PHÁ TẬP MỤC LỢI ÍCH CAO DỰA TRÊN CẤU TRÚC CÂY TIỀN TỐ LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Chuyên ngành: KHOA HỌC MÁY TÍNH Mã số: 60 48 01 Ngƣời hƣớng dẫn khoa học: TS. LÊ VĂN PHÙNG Thái Nguyên, 2014 Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ iii LỜI CAM ĐOAN Tôi xin cam đoan Luận văn "Khai phá tập mục lợi ích cao dựa trên cấu trúc cây tiền tố" đã đƣợc thực hiện theo đúng mục tiêu đề ra dƣới sự hƣớng dẫn của TS. Lê Văn Phùng. Kết quả đạt đƣợc trong luận văn là sản phẩm của cá nhân tôi. Trong toàn bộ luận văn, những điều đƣợc trình bày là của cá nhân và là đƣợc tổng hợp từ nhiều nguồn tài liệu. Tất cả các tài liệu tham khảo đều có xuất xứ rõ ràng và đƣợc trích dẫn hợp pháp. Tôi xin chịu hoàn toàn trách nhiệm và chịu mọi hình thức kỷ luật theo quy định cho lời cam đoan của mình. Thái Nguyên, ngày 29 tháng 9 năm 2014 Người cam đoan Nguyễn Thị Luyến Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ iv LỜI CẢM ƠN Lời đầu tiên tôi xin gửi lời cảm ơn chân thành và biết ơn sâu sắc tới TS. Lê Văn Phùng – Trƣờng Đại học công nghệ Thông tin và Truyền thông, Thầy đã chỉ bảo và hƣớng dẫn tận tình cho tôi trong suốt quá trình làm việc và thực hiện luận văn này. Tôi xin chân thành cảm ơn sự dạy bảo, giúp đỡ, tạo điều kiện và khuyến khích tôi trong quá trình học tập và nghiên cứu của các thầy cô giáo của Viện Công nghệ thông tin, Trƣờng Đại học Công nghệ thông tin và Truyền thông - Đại học Thái Nguyên. Và cuối cùng, tôi xin gửi lời cảm ơn tới gia đình, ngƣời thân và bạn bè, những ngƣời luôn ở bên tôi những lúc khó khăn nhất, luôn động viên tôi, khuyến khích tôi trong cuộc sống và trong công việc. Tôi xin chân thành cảm ơn! Thái Nguyên, ngày 29 tháng 9 năm 2014 Tác giả Nguyễn Thị Luyến Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ v MỤC LỤC LỜI CAM ĐOAN ....................................................................................................... i LỜI CẢM ƠN ........................................................................................................... iv DANH MỤC CÁC HÌNH VẼ.................................................................................. vii DANH MỤC CÁC BẢNG...................................................................................... viii DANH MỤC CÁC KÝ HIỆU................................................................................... ix DANH MỤC CHỮ VIẾT TẮT...................................................................................x MỞ ĐẦU .....................................................................................................................1 CHƢƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU ...........................................3 1.1 Quá trình khám phá tri thức...............................................................................3 1.1.1 Khái niệm về quá trình khám phá tri thức và khai phá dữ liệu ..................3 1.1.2 Kiến trúc về một số hệ thống khai phá dữ liệu ...........................................5 1.1.3. Một số ứng dụng của khai phá dữ liệu ......................................................6 1.2 Một số phƣơng pháp khai phá dữ liệu thông dụng ............................................7 1.2.1 Phƣơng pháp luật kết hợp ...........................................................................7 1.2.2 Phƣơng pháp cây quyết định ......................................................................8 1.3 Kết luận chƣơng 1 ...........................................................................................12 CHƢƠNG 2: KHAI PHÁ TẬP MỤC THƢỜNG XUYÊN VÀ TẬP MỤC LỢI ÍCH CAO ..........................................................................................................................13 2.1 Khai phá tập mục thƣờng xuyên......................................................................13 2.1.1 Cơ sở dữ liệu giao tác ...............................................................................13 2.1.2 Tập mục thƣờng xuyên và luật kết hợp ....................................................15 2.1.3 Bài toán khai phá luật kết hợp và một số thuật toán về khai phá tập mục thƣờng xuyên .....................................................................................................17 2.2 Bài toán Khai phá tập mục lợi ích cao ............................................................29 2.2.1 Khái niệm về tập mục lợi ích cao .............................................................29 2.2.2 Một số bài toán khai phá tập mục lợi ích cao ...........................................29 2.3 Khai phá tập mục lợi ích cao dựa trên cây tiền tố ...........................................34 2.3.1 Định nghĩa cây tiền tố ...............................................................................34 Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ vi 2.3.2 Một số thuật toán khai phá tập mục lợi ích cao dựa trên cây tiền tố ........35 2.3.3 Các cấu trúc cây tiền tố cho khai phá lợi ích cao .....................................56 2.3.4 Thuật toán UP-Growth .............................................................................59 2.4 Kết luận chƣơng 2 ...........................................................................................62 CHƢƠNG 3: THỰC NGHIỆM KHAI PHÁ TẬP MỤC LỢI ÍCH CAO DỰA TRÊN CẤU TRÚC CÂY TIỀN TỐ .........................................................................63 3.1. Bài toán phát hiện nhóm các mặt hàng có lợi nhuận cao ...............................63 3.2. Mô tả dữ liệu ..................................................................................................63 3.3 Xây dựng chƣơng trình ....................................................................................70 3.4 Thực nghiệm khai phá tìm tập mục lợi ích cao ...............................................71 3.5 Kết luận chƣơng 3 ...........................................................................................72 KẾT LUẬN ...............................................................................................................73 1. Những kết quả chính của luận văn ....................................................................73 2. Hƣớng nghiên cứu tiếp theo ..............................................................................73 TÀI LIỆU THAM KHẢO .........................................................................................74 A. Tiếng việt ..........................................................................................................74 B. Tiếng Anh .........................................................................................................74 Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ vii DANH MỤC CÁC HÌNH VẼ Hình 1.1. Các bƣớc trong Data Mining và KDD .............................................. 5 Hình 1.2. Kiến trúc của một hệ thống khai phá dữ liệu .................................... 5 Hình 1.3. Luồng thông tin đƣợc sử dụng theo cách kết hợp ............................. 8 Hình 1.4 Cây quyết định về khái niệm mua máy tính ...................................... 9 Hình 1.5. Cây quyết định phân lớp (bad/good) mức lƣơng ............................ 11 Hình 1.6 Các bƣớc thực hiện thuật toán K-Mean ........................................... 12 Hình 2.1. Cây FP-tree của CSDL bảng 2.5 ..................................................... 27 Hình 2.2. Cây COFI-tree của mục D .............................................................. 27 Hình 2.3. Minh họa các bƣớc khai phá cây D-COFI-tree ............................... 28 Hình 2.4. Cây TWUI-tree sau khi lƣu giao tác T1 ......................................... 39 Hình 2.5. Cây TWUI-tree sau khi lƣu giao tác T1 và T2 ............................... 39 Hình 2.6. Cây TWUI-tree của CSDL bảng 2.9 và bảng 2.10 ......................... 40 Hình 2.7. Cây C-COUI-tree sau khi lƣu mẫu CBE......................................... 42 Hình 2.8. Cây C-COUI-tree sau khi lƣu mẫu CBE và CE.............................. 43 Hình 2.9. Cây C-COUI-tree sau khi xây dựng xong....................................... 43 Hình 2.10. Cây D-COUI-tree .......................................................................... 43 Hình 2.11. Cây B-COUI-tree .......................................................................... 44 Hình 2.12. Các bƣớc khai phá cây D-COUI-Tree .......................................... 45 Hình 2.13. Không gian tìm kiếm tập mục lợi ích cao theo thuật toán Hai pha..... 56 Hình 2.14. Cây TWUI-tree có các mục dữ liệu sắp tăng dần theo trật tự từ điển của cơ sở dữ liệu bảng 2.9 và bảng 2.10 ................................................. 57 Hình 2.15. Cây TWUI-tree có các mục dữ liệu sắp giảm dần theo số lần xuất hiện của chúng trong cơ sở dữ liệu bảng 2.9 và bảng 2.10 ............................. 57 Hình 2.16. Cây TWUI-tree có các mục dữ liệu sắp giảm dần theo TWU của chúng trong cơ sở dữ liệu bảng 2.9 và bảng 2.10 ........................................... 58 Hình 2.17. Cây TWUI-tree của CSDL bảng 2.8 với minutil = 40 ................... 62 Hình 2.18. Cây UP-tree của CSDL bảng 2.8 với minutil = 40 ....................... 62 Hình 3.1. Tệp CSDL.txt biểu diễn dữ liệu đầu vào ........................................ 70 Hình 3.2. Giao diện chính của chƣơng trình ................................................... 71 Hình 3.3. Tập các mục lợi ích cao .................................................................. 72 Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ viii DANH MỤC CÁC BẢNG Bảng 1.1: Tập dữ liệu huấn luyện quyết định phân lớp mức lƣơng..........................10 Bảng 2.1: Biểu diễn ngang của cơ sở dữ liệu giao tác ..............................................14 Bảng 2.2: Biểu diễn dọc của cơ sở dữ liệu giao tác ..................................................14 Bảng 2.3: Ma trận giao tác của cơ sở dữ liệu cho ở bảng 2.1 ...................................15 Bảng 2.4: Cơ sở dữ liệu giao tác minh họa thực hiện thuật toán Apriori .................21 Bảng 2.5: CSDL giao tác minh họa thực hiện thuật toán COFI-tree ........................25 Bảng 2.6: Các mục dữ liệu và độ hỗ trợ....................................................................25 Bảng 2.7: Các mục dữ liệu thƣờng xuyên đã sắp thứ tự ...........................................25 Bảng 2.8: Các mục DL trong giao tác sắp xếp giảm dần theo độ hỗ trợ ..................26 Bảng 2.9. CSDL giao tác...........................................................................................32 Bảng 2.10 Bảng lợi ích ..............................................................................................32 Bảng 2.11: Lợi ích các giao tác của cơ sở dữ liệu bảng 2.9 và bảng 2.10 ................37 Bảng 2.12: Lợi ích TWU của các mục dữ liệu..........................................................37 Bảng 2.13: Các mục dữ liệu có lợ ..................38 Bảng 2.14. Các mục dữ liệu trong giao tác sắp giảm dần theo lợi ích TWU ...........38 Bảng 2.15. Kết quả tính lợi ích của các tập mục ứng viên .......................................46 Bảng 2.16: Cơ sở dữ liệu ví dụ cho thuật toán UP-Growth ......................................60 Bảng 2.17: Bảng lợi ích của CSDL bảng 2.15 ..........................................................61 Bảng 2.18: Các giao tác đƣợc sắp lại các mục dữ liệu theo TWU giảm dần ............61 Bảng 3.1 Dữ liệu đã trích chọn để khai phá ..............................................................65 Bảng 3.2. Mã hóa các mặt hàng ................................................................................68 Bảng 3.3. Bảng lợi ích các mặt hàng.........................................................................69 Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ ix DANH MỤC CÁC KÝ HIỆU X : Số phần tử của tập hợp X. A, B, C,…: Tên các mục dữ liệu trong cơ sở dữ liệu giao tác ví dụ. Conf(X->Y): Độ tin cậy của một luật X->Y db DB : db là cơ sở dữ liệu giao tác con của DB. DB = {T1, T2,…, Tm}: Cơ sở dữ liệu có m giao tác. I = {i1, i2,…, in}: Tập n mục dữ liệu. Ip: Mục dữ liệu thứ p. m: Số giao tác một cơ sở dữ liệu giao tác. Minconf: Độ tin cậy tối thiểu minShare: Ngƣỡng cổ phần tối thiểu. minsup: Ngƣỡng độ hỗ trợ tối thiểu. minutil: Ngƣỡng lợi ích tối thiểu n: Số mục dữ liệu một cơ sở dữ liệu giao tác. Nếu X Y thì X gọi là tập con của tập Y, Y gọi là tập cha của tập X P(Y/X): Xác suất có điều kiện (độ tin cậy của luật Y->X) P(Y/X): Xác suất có điều kiện (độ tin cậy của luật kết hợp X->Y) Sup(X): Tỷ lệ % của giao tác chứa tập X Tq: Giao tác thứ q. U(X): Lợi ích của tập mục trong CSDL DB X = ABC thay cho X = {A, B, C} trong các cơ sở dữ liệu giao tác ví dụ. X, Y,…: Tập con của tập mục dữ liệu I, X, Y Số hóa bởi Trung tâm Học liệu I. http://www.lrc-tnu.edu.vn/ x DANH MỤC CHỮ VIẾT TẮT AIS Thuật toán AIS CHARM Thuật toán CHAM CNTT CSDL Công nghệ thông tin Cơ sở dữ liệu FP-Growth SETM UP-Growth Thuật toán FP-Growth Thuật toán SETM Thuật toán UP-Growth DM Data Mining Khai phá dữ liệu HU High Utility Khai phá tập mục lợi ích cao TWU Transaction Weighted Utility Tập mục ràng buộc lợi ích theo giao tác TWUI-tree Transaction Weighted Utility Là một cấu trúc cây tiền tố tree KDD Knowledge Discovery from Data Phát hiện tri thức từ dữ liệu PT Prefix-tree Số hóa bởi Trung tâm Học liệu Cây tiền tố http://www.lrc-tnu.edu.vn/ 1 MỞ ĐẦU Ngày nay, sự phát triển không ngừng ứng dụng công nghệ thông tin (CNTT) và truyền thông vào nhiều lĩnh vực đời sống, văn hóa, xã hội, quản lý kinh tế, khoa học kỹ thuật,.... đã tạo ra nhiều cơ sở dữ liệu (CSDL) mới có quy mô lớn. Để khai thác hiệu quả nguồn thông tin dữ liệu lớn đó nhằm hỗ trợ tiến trình ra quyết định, ngƣời ta đã nghiên cứu một khuynh hƣớng kỹ thuật mới là Kỹ thuật Khai phá dữ liệu bên cạnh các phƣơng pháp khai thác thông tin truyền thống. Khai phá dữ liệu và khám phá tri thức (Data Mining and knowledge discovery) là một lĩnh vực quan trọng của ngành Công nghệ thông tin. Đây là lĩnh vực đã thu hút đông đảo các nhà khoa học trên thế giới và trong nƣớc tham gia nghiên cứu. Khai phá tập mục thƣờng xuyên đƣợc biết đến nhƣ một bài toán con của khai phá luật kết hợp đƣợc giới thiệu bởi Agrawal vào năm 1993 khi phân tích CSDL bán hàng của siêu thị, phân tích sở thích mua của khách hàng bằng cách tìm ra những mặt hàng khác nhau đƣợc khách hàng mua trong cùng một lần mua. Những thông tin nhƣ vậy giúp ngƣời quản lý kinh doanh tiếp thị chọn lọc và thu xếp không gian bày hàng hợp lý hơn, giúp cho việc kinh doanh hiệu quả hơn. Mô hình khai phá tập mục thƣờng xuyên cơ bản có nhiều ứng dụng trong thực tế bên cạnh đó còn có những hạn chế, không đáp ứng đƣợc nhu cầu của ngƣời sử dụng. Để đáp ứng yêu cầu của thực tiễn, khai phá tập mục thƣờng xuyên đã có nhiều cách thức mở rộng và ứng dụng, từ thay đổi phƣơng pháp luận đến thay đổi đa dạng các kiểu dữ liệu, mở rộng các nhiệm vụ khai phá và đa dạng các ứng dụng mới. Trong những năm qua, đã có nhiều hƣớng mở rộng bài toán đƣợc quan tâm nghiên cứu. Một trong những hƣớng đó là bài toán khai phá tập mục lợi ích cao, đánh giá lợi ích mà tập mục dữ liệu mang lại trong CSDL. Khai phá tập mục lợi ích cao thực sự là một lĩnh vực đang thu hút nhiều nhà nghiên cứu và doanh nghiệp quan tâm. Khai phá tập mục lợi ích cao là sự mở rộng, tổng quát hóa của khai phá tập mục cổ phần cao. Mô hình khai phá tập mục lợi ích cao đƣợc Yao và cộng sự đề xuất (Hong Yao và Hamilton, 2006; H. Yao, Hamilton và Butz, 2004) [6], [12]. Trong mô hình khai phá tập mục lợi ích cao, giá trị của mục dữ liệu trong giao tác là một số (nhƣ số lƣợng đá bán của mặt hàng), gọi là giá trị khách quan; ngoài ra còn có bảng lợi ích cho biết lợi ích mang lại khi bán một đơn vị hàng đó (gọi là giá 1 Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 2 trị chủ quan, do ngƣời quản lý kinh doanh xác định). Lợi ích của một tập mục là số đo lợi nhuận mà tập mục đó đóng góp trong CSDL, nó có thể là tổng lợi nhuận, là tổng chi phí của tập mục. Khai phá tập mục lợi ích cao là khám phá tất cả các tập mục lợi ích không nhỏ hơn ngƣỡng lợi ích tối thiểu quy định bởi ngƣời sử dụng. Nhƣ vậy, trong quá trình sử dụng và khai thác thông tin ngƣời ta nhận thấy rằng có rất nhiều tri thức còn tiềm ẩn trong dữ liệu. Vấn đề đặt ra là làm thế nào để khai thác đƣợc thông tin và khai thác một cách có hiệu quả. Một câu hỏi nghiên cứu đặt ra là: “Có thể tìm đƣợc dạng biểu diễn nhỏ gọn và không mất thông tin của các tập mục lợi ích cao trong khai phá tập mục lợi ích cao không ?” Với mục đích tìm hiểu bài toán tập mục lợi ích cao và các thuật toán khai phá dựa trên cấu trúc cây tiền tố, em đã chọn đề tài “Khai phá tập mục lợi ích cao dựa trên cấu trúc cây tiền tố” làm luận văn cao học của mình. Trong đó tìm hiểu vận dụng kiến thức sƣu tập đƣợc vào giải quyết bài toán về khai phá tập mục lợi ích cao dựa trên cấu trúc cây đặc biệt là cây “tiền tố”. Nội dung luận văn gồm 3 chƣơng: Chƣơng I: Tổng quan về khai phá dữ liệu. Chƣơng II: Khai phá tập mục thƣờng xuyên và tập mục lợi ích cao. Chƣơng III: Thực nghiệm khai phá tập mục lợi ích cao dựa trên cấu trúc cây tiền tố. Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 3 CHƢƠNG 1 TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU 1.1 Quá trình khám phá tri thức 1.1.1 Khái niệm về quá trình khám phá tri thức và khai phá dữ liệu Theo bách khoa toàn thƣ, khai phá dữ liệu (Data Mining- DM) là khâu chủ yếu trong quá trình phát hiện tri thức từ dữ liệu để trợ giúp cho việc làm quyết định trong quản lý. DM sử dụng nhiều phƣơng pháp của phân tích thống kê, của lý thuyết nhận dạng, của các hệ học, các mạng nơ-ron nhân tạo,… nhằm phát hiện các mẫu hình tri thức trực tiếp từ các kho dữ liệu. DM và phát hiện tri thức là những hƣớng ngiên cứu mới trong tổ chức và khai thác các hệ thống thông tin và trợ giúp quyết định. Thuật ngữ DM do Fayyad Smyth và Piatestky-Shapiro đề xuất năm 1989. Có rất nhiều định nghĩa khác nhau về DM đã đƣợc đƣa ra. Theo nghĩa đơn giản nhất, DM là việc trích lọc tri thức từ một lƣợng lớn dữ liệu. Nó còn có một tên gọi khác “trích chọn tri thức”, “phân tích dữ liệu/mẫu”, “khảo cổ dữ liệu”, “nạo vét dữ liệu”. Giáo sƣ Tom Mitchell đƣa ra định nghĩa về DM nhƣ sau: “DM là việc sử dụng dữ liệu lịch sử để khám phá những quy tắc và cải thiện những quyết định trong tương lai”. Với một cách tiếp cận thực tế hơn, tiến sĩ Fayyad đã phát biểu:: “DM thường được xem là việc khám phá tri thức trong các CSDL, là một quá trình trích xuất những thông tin tiềm ẩn, trước đây chưa biết và có khả năng là hữu ích, dưới dạng các quy luật, ràn buộc, quy tắc trong CSDL”. Các nhà thống kê thì xem “DM như là một quá trình phân tích được thiết kế thăm dò một lượng cực lớn các dữ liệu nhằm phát hiện ra các mẫu thích hợp và/ hoặc các mối liên hệ mang tính hệ thống giữa các biến và sau đó sẽ hợp thức hóa các kết quả tìm được bằng cách áp dụng các mẫu đã phát hiện được cho tập con mới của dữ liệu”[3] Nói chung, DM là cốt lõi của quá trình phát hiện tri thức. Nó gồm có các giải thuật DM chuyên dụng, một số quy định về hiệu quả tính toán chấp nhận đƣợc. DM nhằm tìm ra những mâu thuẫn mới, mẫu có tính chất không tầm thƣờng, những thông tin tiềm ẩn mang tính dự đoán chƣa đƣợc biết đến và có khả năng mang lại Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 4 ích lợi. Nói ngắn gọn hơn, DM là việc tìm kiếm các kiến thức, các mẫu hấp dẫn trong kho dữ liệu. DM là hoạt động trọng tâm của quá trình khai phá tri thức. Quá trình phát hiện tri thức gồm các bƣớc [1], [4]: Bước 1 - Trích chọn dữ liệu (data selection): Là bƣớc trích chọn những tập dữ liệu cần đƣợc khai phá từ các tập dữ liệu lớn (databases, data ware houses). Bước 2 - Tiền xử lý dữ liệu (data preprocessing): Là bƣớc làm sạch dữ liệu (xử lý dữ liệu không đầy đủ, dữ liệu nhiễu, dữ liệu không nhất quán,…), rút gọn dữ liệu (sử dụng các phƣơng pháp thu gọn dữ liệu, histograms, lấy mẫu…), rời rạc hóa dữ liệu (dựa vào histograms, entropy, phân khoảng,...). Sau bƣớc này, dữ liệu sẽ nhất quán, đầy đủ, đƣợc rút gọn và đƣợc rời rạc hóa. Bước 3 - Biến đổi dữ liệu (data transformation): Là bƣớc chuẩn hóa và làm mịn dữ liệu để đƣa dữ liệu về dạng thuận lợi nhất nhằm phục vụ cho các kỹ thuật khai thác ở bƣớc sau. Bước 4 - Khai phá dữ liệu (data mining): Đây là bƣớc quan trọng và tốn nhiều thời gian nhất của quá trình khám phá tri thức, áp dụng các kỹ thuật khai phá (phần lớn là các kỹ thuật của machine learning) để khai phá, trích chọn đƣợc các mẫu (pattern) thông tin, các mối liên hệ đặc biệt trong dữ liệu. Bước 5 - Đánh giá và biểu diễn tri thức (knowledge representation & evaluation): Dùng các kỹ thuật hiển thị dữ liệu để trình bày các mẫu thông tin (tri thức) và mối liên hệ đặc biệt trong dữ liệu đã đƣợc khai thác ở bƣớc trên biểu diễn theo dạng gần gũi với ngƣời sử dụng nhƣ đồ thị, cây, bảng biểu, luật,…. Đồng thời bƣớc này cũng đánh giá những tri thức khám phá đƣợc theo những tiêu chí nhất định. Trong giai đoạn khai phá dữ liệu, có thể cần sự tƣơng tác của ngƣời dùng để điều chỉnh và rút ra các tri thức cần thiết nhất. Các tri thức nhận đƣợc cũng có thể đƣợc lƣu và sử dụng lại. Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 5 Hình 1.1. Các bước trong Data Mining và KDD DM có thể đƣợc tiến hành trên một lƣợng lớn dữ liệu có trong CSDL, các kho dữ liệu hoặc trong các loại lƣu trữ thông tin khác. Các mẫu đáng quan tâm có thể đƣợc đƣa đến ngƣời dùng hoặc đƣợc lƣu trữ trong một cơ sở tri thức. 1.1.2 Kiến trúc về một số hệ thống khai phá dữ liệu Giao diện đồ họa cho (Graphical user ngƣời dùng interface) Đánh giá mẫu (Pattern evaluation) Cơ sở tri thức (Data mining engine) Máy khai phá dữ liệu (Knowledge -base) Máy chủ CSDL hay (Database or Ware house kho dữ liệu Server) Làm sạch; tích hợp dữ liệu; lọc Cơ sở dữ liệu Kho dữ liệu Các lƣu trữ thông tin khác Hình 1.2: Kiến trúc của một hệ thống khai phá dữ liệu Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 6 Kiến trúc của một hệ thống DM điển hình có thể có các thành phần nhƣ hình 1.2 [3], [9]. - CSDL, kho dữ liệu hoặc các lưu trữ thông tin khác (Databases, Data ware house,…): Đây là một hay một tập CSDL, các kho dữ liệu, các trang tính hay các dạng lƣu trữ thông tin khác. Các kỹ thuật làm sạch dữ liệu và tích hợp dữ liệu có thể đƣợc thực hiện trên những dữ liệu này. - Máy chủ CSDL hay máy chủ kho dữ liệu (Database or Warehouse Server): Máy chủ này có trách nhiệm lấy những dữ liệu tích hợp dựa trên các yêu cầu khai phá của ngƣời dùng. - Cơ sơ tri thức (Knowledge-base): Đây là miền tri thức dùng để hƣớng dẫn việc tìm kiếm hay đánh giá độ quan trọng của các hình mẫu kết quả. - Máy DM (Data mining engine): Một hệ thống DM cần phải có một tập các modun chức năng để thực hiện công việc nhƣ: đặc trƣng hóa, kết hợp, phân lớp, phân cụm, phân tích sự tiến hóa. - Module đánh giá mẫu (Pattern evaluation): Bộ phận tƣơng tác với các module DM để duyệt tìm các mẫu đáng đƣợc quan tâm. Nó có thể dùng các ngƣỡng về độ quan tâm để lọc mẫu đã khám phá đƣợc. Cũng có thể module đánh giá mẫu đƣợc tích hợp vào module khai phá, tùy theo cách cài đặt của phƣơng pháp khai phá đƣợc dùng. - Giao diện đồ họa người dùng (Graphical user interface): Bộ phận này cho phép ngƣời dùng giao tiếp với hệ thống DM. Ngoài ra, bộ phận này cho phép ngƣời dùng xem các lƣợc đồ CSDL, lƣợc đồ kho dữ liệu (hay các cấu trúc dữ liệu), các đánh giá mẫu và hiển thị các mẫu trong các khuôn dạng khác nhau. 1.1.3. Một số ứng dụng của khai phá dữ liệu DM đƣợc vận dụng trong nhiều lĩnh vực khác nhau nhằm khai thác nguồn dữ liệu phong phú đƣợc lƣu trữ trong các hệ thống thông tin. Tuỳ theo bản chất của từng lĩnh vực, việc vận dụng DM có những cách tiếp cận khác nhau. DM đƣợc vận dụng có hiệu quả để giải quyết các bài toán phức tạp trong những ngành đòi hỏi kỹ thuật cao nhƣ: Tìm kiếm mỏ dầu từ ảnh viễn thám, xác định Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 7 vùng gãy trong ảnh địa chất để dự đoán thiên tai, cảnh báo hỏng hóc trong các hệ thống sản xuất. Phân nhóm và dự đoán là những kỹ thuật rất cần thiết cho việc quy hoạch và phát triển hệ thống quản lý và sản xuất trong thực tế nhƣ: dự đoán tái sử dụng điện năng cho các công ty cung cấp điện, lƣu lƣợng viễn thông cho các công ty điện thoại, mức độ tiêu thụ sản phẩm cho các nhà sản xuất, giá trị của sản phẩm trên thị trƣờng cho các công ty tài chính hay phân nhóm khách hàng tiềm năng. Khai phá dữ liệu tuy là một lĩnh vực mới nhƣng đã thu hút đƣợc sự quan tâm của rất nhiều nhà nghiên cứu, nhờ có nhiều những ứng dụng trong thực tiễn, các ứng dụng điển hình, có thể liệt kê nhƣ sau: - Phân tích dữ liệu và hỗ trợ ra quyết định (Analysis & decition support). - Điều trị trong y học (Medical): Mối liên hệ giữa triệu trứng, chuẩn đoán và phƣơng pháp điều trị (chế độ dinh dƣỡng, thuốc men, phẫu thuật). - Phân lớp văn bản, tóm tắt văn bản và phân lớp các trang Web (Text mining & Web mining). - Tin sinh học (Bio-informatics): Tìm kiếm, đối sánh các hệ gen và thông tin di truyền, mối liên hệ giữa một số hệ gen và một số bệnh di truyền. - Nhận dạng. - Tài chính và thị trƣờng chứng khoán (Finance & Stock market): Phân tích tình hình tài chính và dự đoán giá cổ phiếu. - Bảo hiểm (Insurance). - Giáo dục (Education). 1.2 Một số phƣơng pháp khai phá dữ liệu thông dụng 1.2.1 Phương pháp luật kết hợp Sự kết hợp (hay mối quan hệ) là kỹ thuật khai phá dữ liệu đƣợc biết đến nhiều hơn, hầu nhƣ quen thuộc và đơn giản. Ở đây, bạn thực hiện một sự tƣơng quan đơn giản giữa hai hoặc nhiều mục, thƣờng cùng kiểu để nhận biết các mẫu. Ví dụ, khi theo dõi thói quen mua hàng của ngƣời dân, bạn có thể nhận biết rằng một khách Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 8 hàng luôn mua kem khi họ mua dâu tây, nên bạn có thể đề xuất rằng lần tới khi họ mua dâu tây, họ cũng có thể muốn mua kem. Việc xây dựng các công cụ khai phá dữ liệu dựa trên sự kết hợp hay mối quan hệ có thể thực hiện đơn giản bằng các công cụ khác nhau. Ví dụ, trong InfoSphere Warehouse một trình hƣớng dẫn đƣa ra các cấu hình của một luồng thông tin đƣợc sử dụng kết hợp bằng cách xem xét thông tin nguồn đầu vào của cơ sở dữ liệu, thông tin về cơ sở ra quyết định và thông tin đầu ra của bạn. Hình 1 cho thấy một ví dụ của cơ sở dữ liệu ví dụ mẫu Hình 1.3 Luồng thông tin được sử dụng theo cách kết hợp 1.2.2 Phương pháp cây quyết định Trong lý thuyết quyết định, cây quyết định là đồ thị của các quyết định và hậu quả có thể của nó (bao gồm cả rủi ro và hao phí tài nguyên). Nó mô tả tri thức dạng đơn giản nhằm phân các đối tượng dữ liệu thành một số lớp nhất định và đƣợc Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 9 dùng để hỗ trợ quá trình ra quyết định. Quá trình xây dựng cây quyết định có thể xem nhƣ là một chiến thuật chia để trị cho sự phân lớp đối tƣợng [3]. Cây quyết định là công cụ dùng để phân lớp dữ liệu. Với khai phá dữ liệu, cây quyết định tƣợng trƣng cho một phƣơng thức quyết định cho việc xác định lớp của các dữ kiện (các thuộc tính đƣợc xét trên mỗi đối tƣợng) đã cho. Mỗi nút của cây chỉ ra một tên lớp hoặc là một phép thử cụ thể. Phép thử này chia không gian các dữ kiện tại nút đó thành các kết quả có thể đạt đƣợc của phép thử. Mỗi tập con đƣợc chia ra là không gian con của các dữ kiện, sẽ tƣơng ứng với một vấn đề con của sự phân lớp, điều này sẽ đƣợc giải quyết bởi một cây con tƣơng ứng. Cây quyết định đƣợc biểu diễn dƣới dạng một sơ đồ có cấu trúc cây. Mỗi nút của nó (trừ nút lá) ghi một phép thử trên 1 thuộc tính, mỗi nhánh biểu thị một kết quả của phép thử, và mỗi nút lá ghi một nhãn lớp. Nút trên cùng gọi là nút gốc. Các nút của cây đƣợc gán nhãn là tên các thuộc tính, các cạnh đƣợc gán các giá trị có thể của các thuộc tính, các lá mô tả các lớp khác nhau. Các đối 60 Khai phá dữ liệu tƣợng đƣợc phân lớp theo các đƣờng đi trên cây, qua các cạnh tƣơng ứng với các giá trị của thuộc tính của đối tƣợng tới lá. Một cây điển hình đƣợc chỉ ra trên hình 1.4 dành cho khách hàng mua sắm máy tính với các thuộc tính tuổi, sinh viên, tiềm lực tài chính. Các nút (hình chữ nhật) trong hình vẽ, trừ nút lá, biểu thị một phép thử trên 1 thuộc tính. Mỗi nút lá (hình ovan) biểu thị 1 lớp (hoặc là mua máy tính = yes, hoặc là mua máy tính =no). Age youth Middle_aged Student no Credit-rating? yes yes no Senior Fair yes excellent no yes Hình 1.4 Cây quyết định về khái niệm mua máy tính Một số thuật toán cây quyết định chỉ làm việc với cây nhị phân, trong khi đó, một số thuật toán khác có thể làm việc với các cây không phải nhị phân. Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 10 Trong lĩnh vực học máy, cây quyết định là một kiểu mô hình dự báo, nghĩa là một ánh xạ từ các quan sát về một sự vật/hiện tƣợng tới các kết luận về giá trị mục tiêu của sự vật/ hiện tƣợng. Mỗi nút trong tƣơng ứng với một biến; đƣờng nối giữa nó với nút con của nó thể hiện giá trị cụ thể cho biến đó. Mỗi nút lá đại diện cho giá trị dự toán của biến mục tiêu, cho trƣớc các giá trị dự toán biến đƣợc biểu diễn bởi đƣờng đi từ nút gốc tới nút lá đó. Kỹ thuật học máy dung trong cây quyết định đƣợc gọi là học bằng cây quyết định, hay chỉ gọi với cái tên ngắn gọn là cây quyết định. Cây quyết định có thể đƣợc mô tả nhƣ là sự kết hợp của các kỹ thuật toán học và tính toán nhằm hỗ trợ việc mô tả, phân loại và tổng quát hóa một tập dữ liệu cho trƣớc. Cây quyết định có 2 tên khác: - Cây hồi quy: Ƣớc lƣợng các hàm giá trị số thực thay vì đƣợc sử dụng cho các nhiệm vụ phân loại. - Cây phân loại: Có chứa các biến phân loại nhƣ: giới tính (nam hay nữ), kết quả của một trận đấu (thắng hay thua). Ví dụ: Cây quyết định phân lớp mức lƣơng có các dữ liệu sau: ID (Định danh), age (tuổi), salary (lƣơng). Phân lớp mức lƣơng thành 2 lớp: tốt (good), xấu(bad). Cho tập dữ liệu: Bảng 1.1: Tập dữ liệu huấn luyện quyết định phân lớp mức lương ID Age Salary Class 1 30 65 Good 2 23 15 Bad 3 40 70 Good 4 55 40 Bad 5 55 100 Good 6 45 60 Good Cây quyết định phân lớp mức lƣơng ứng với dữ liệu trong bảng 1.1 có dạng: Age? Số hóa bởi Trung tâm Học liệu http://www.lrc-tnu.edu.vn/