Khai phá tập mục lợi ích cao dựa trên cấu trúc cây tiền tố

Đây là lĩnh vực đã thuhút đông đảo các nhà khoa học trên thế giới và trong nước tham gia nghiên cứu.Khai phá tập mục thường xuyên được biết đến như một bài toán con của khai pháluật kết

ĐẠI HỌC THÁI NGUYÊN

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN

ĐẠI HỌC THÁI NGUYÊN

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH

Chuyên ngành: KHOA HỌC MÁY TÍNH

Mã số: 60 48 01

Người hướng dẫn khoa học: TS LÊ VĂN PHÙNG

Thái Nguyên, 2014

LỜI CAM ĐOAN

Tôi xin cam đoan Luận văn "Khai phá tập mục lợi ích cao dựa trên cấu

trúc cây tiền tố" đã được thực hiện theo đúng mục tiêu đề ra dưới sự hướng dẫn của

TS Lê Văn Phùng Kết quả đạt được trong luận văn là sản phẩm của cá nhân tôi.Trong toàn bộ luận văn, những điều được trình bày là của cá nhân và là được tổnghợp từ nhiều nguồn tài liệu Tất cả các tài liệu tham khảo đều có xuất xứ rõ ràng vàđược trích dẫn hợp pháp

Tôi xin chịu hoàn toàn trách nhiệm và chịu mọi hình thức kỷ luật theo quyđịnh cho lời cam đoan của mình

Thái Nguyên, ngày 29 tháng 9 năm 2014

Người cam đoan

Nguyễn Thị Luyến

LỜI CẢM ƠN

Lời đầu tiên tôi xin gửi lời cảm ơn chân thành và biết ơn sâu sắc tới TS LêVăn Phùng – Trường Đại học công nghệ Thông tin và Truyền thông, Thầy đã chỉbảo và hướng dẫn tận tình cho tôi trong suốt quá trình làm việc và thực hiện luậnvăn này

Tôi xin chân thành cảm ơn sự dạy bảo, giúp đỡ, tạo điều kiện và khuyếnkhích tôi trong quá trình học tập và nghiên cứu của các thầy cô giáo của Viện Côngnghệ thông tin, Trường Đại học Công nghệ thông tin và Truyền thông - Đại họcThái Nguyên

Và cuối cùng, tôi xin gửi lời cảm ơn tới gia đình, người thân và bạn bè,những người luôn ở bên tôi những lúc khó khăn nhất, luôn động viên tôi, khuyếnkhích 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

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

CHƯƠNG 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 phương pháp khai phá dữ liệu thông dụng 7

1.2.1 Phương pháp luật kết hợp 7

1.2.2 Phương pháp cây quyết định 8

1.3 Kết luận chương 1 12

CHƯƠNG 2: KHAI PHÁ TẬP MỤC THƯỜNG XUYÊN VÀ TẬP MỤC LỢI ÍCH CAO 13

2.1 Khai phá tập mục thường xuyên 13

2.1.1 Cơ sở dữ liệu giao tác 13

2.1.2 Tập mục thường 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 thường 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

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 chương 2 62

CHƯƠNG 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 chương trình 70

3.4 Thực nghiệm khai phá tìm tập mục lợi ích cao 71

3.5 Kết luận chương 3 72

KẾT LUẬN 73

1 Những kết quả chính của luận văn 73

2 Hướng nghiên cứu tiếp theo 73

TÀI LIỆU THAM KHẢO 74

A Tiếng việt 74

B Tiếng Anh 74

vi i

DANH MỤC CÁC HÌNH VẼ

Hình 1.1 Các bước 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 được 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 lương 11

Hình 1.6 Các bước 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 bước khai phá cây D-COFI-tree 28

Hình 2.4 Cây TWUI-tree sau khi lưu giao tác T1 39

Hình 2.5 Cây TWUI-tree sau khi lưu 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 lưu mẫu CBE 42

Hình 2.8 Cây C-COUI-tree sau khi lưu 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 bước 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 chương trình 71

Hình 3.3 Tập các mục lợi ích cao 72

DANH MỤC CÁC BẢNG

Bảng 1.1: Tập dữ liệu huấn luyện quyết định phân lớp mức lương 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 thường 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 được 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

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: Ngưỡng cổ phần tối thiểu

minsup: Ngưỡng độ hỗ trợ tối thiểu

minutil: Ngưỡng 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 I

DANH MỤC CHỮ VIẾT TẮT

AIS Thuật toán AIS

CHARM Thuật toán CHAM

CNTT Công nghệ thông tin

CSDL Cơ sở dữ liệu

FP-Growth Thuật toán FP-Growth

SETM Thuật toán SETM

UP-Growth Thuật toán UP-Growth

DM

HU

Data MiningHigh Utility

Khai phá dữ liệuKhai phá tập mục lợi ích cao

tree

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, khoahọc kỹ thuật, đã tạo ra nhiều cơ sở dữ liệu (CSDL) mới có quy mô lớn Để khaithác hiệu quả nguồn thông tin dữ liệu lớn đó nhằm hỗ trợ tiến trình ra quyết định,người ta đã nghiên cứu một khuynh hướng kỹ thuật mới là Kỹ thuật Khai phá dữliệu bên cạnh các phương 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 thuhút đông đảo các nhà khoa học trên thế giới và trong nước tham gia nghiên cứu.Khai phá tập mục thường xuyên được biết đến như một bài toán con của khai pháluật kết hợp được giới thiệu bởi Agrawal vào năm 1993 khi phân tích CSDL bánhàng của siêu thị, phân tích sở thích mua của khách hàng bằng cách tìm ra nhữngmặt hàng khác nhau được khách hàng mua trong cùng một lần mua Những thôngtin như vậy giúp người quản lý kinh doanh tiếp thị chọn lọc và thu xếp không gianbày hàng hợp lý hơn, giúp cho việc kinh doanh hiệu quả hơn

Mô hình khai phá tập mục thường xuyên cơ bản có nhiều ứng dụng trongthực tế bên cạnh đó còn có những hạn chế, không đáp ứng được nhu cầu củangười sử dụng

Để đáp ứng yêu cầu của thực tiễn, khai phá tập mục thường xuyên đã có nhiềucách thức mở rộng và ứng dụng, từ thay đổi phương pháp luận đến thay đổi đa dạngcác kiểu dữ liệu, mở rộng các nhiệm vụ khai phá và đa dạng các ứng dụng mới.Trong những năm qua, đã có nhiều hướng mở rộng bài toán được quan tâm nghiêncứu Một trong những hướng đó là bài toán khai phá tập mục lợi ích cao, đánh giálợi 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 nhànghiên cứu và doanh nghiệp quan tâm

Khai phá tập mục lợi ích cao là sự mở rộng, tổng quát hóa của khai phá tậpmục cổ phần cao Mô hình khai phá tập mục lợi ích cao được Yao và cộng sự đềxuất (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 giaotác là một số (như số lượng đá bán của mặt hàng), gọi là giá trị khách quan; ngoài racòn có bảng lợi ích cho biết lợi ích mang lại khi bán một đơn vị hàng đó (gọi là giá

Số hóa bởi Trung tâm Học liệu http://w w w.lr c -tn u edu vn/

http://w w w.lr c -tn u edu vn/

Số hóa bởi Trung tâm Học

liệu

2

trị chủ quan, do người 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, làtổng chi phí của tập mục Khai phá tập mục lợi ích cao là khám phá tất cả các tậpmục lợi ích không nhỏ hơn ngưỡng lợi ích tối thiểu quy định bởi người sử dụng.Như vậy, trong quá trình sử dụng và khai thác thông tin người ta nhận thấyrằng có rất nhiều tri thức còn tiềm ẩn trong dữ liệu Vấn đề đặt ra là làm thế nào đểkhai thác được thông tin và khai thác một cách có hiệu quả

Một câu hỏi nghiên cứu đặt ra là: “Có thể tìm được dạng biểu diễn nhỏ gọn vàkhông mất thông tin của các tập mục lợi ích cao trong khai phá tập mục lợi ích caokhông ?”

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 sưu tập được vào giải quyết bài toán về khai phá tập mục lợi ích caodựa trên cấu trúc cây đặc biệt là cây “tiền tố”

Nội dung luận văn gồm 3 chương:

Chương I: Tổng quan về khai phá dữ liệu

Chương II: Khai phá tập mục thường xuyên và tập mục lợi ích cao

Chương III: Thực nghiệm khai phá tập mục lợi ích cao dựa trên cấu trúc cây tiền tố

1.1.1 Khái niệm về quá trình khám phá tri thức và khai phá dữ liệu

Theo bách khoa toàn thư, 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 địnhtrong quản lý DM sử dụng nhiều phương pháp của phân tích thống kê, của lýthuyết nhận dạng, của các hệ học, các mạng nơ-ron nhân tạo,… nhằm phát hiện cácmẫu hình tri thức trực tiếp từ các kho dữ liệu DM và phát hiện tri thức là nhữnghướng ngiên cứu mới trong tổ chức và khai thác các hệ thống thông tin và trợ giúpquyết định

Thuật ngữ DM do Fayyad Smyth và Piatestky-Shapiro đề xuất năm 1989 Córất nhiều định nghĩa khác nhau về DM đã được đưa ra Theo nghĩa đơn giản nhất,

DM là việc trích lọc tri thức từ một lượng 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 sư Tom Mitchell đưa ra định nghĩa về DM như 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 giảithuật DM chuyên dụng, một số quy định về hiệu quả tính toán chấp nhận được DMnhằm tìm ra những mâu thuẫn mới, mẫu có tính chất không tầm thường, nhữngthông tin tiềm ẩn mang tính dự đoán chưa được biết đến và có khả năng mang lại

Bước 1 - Trích chọn dữ liệu (data selection): Là bước trích chọn những tập

dữ liệu cần được khai phá từ các tập dữ liệu lớn (databases, data ware houses)

Bước 2 - Tiền xử lý dữ liệu (data preprocessing): Là bước làm sạch dữ liệu

(xử lý dữ liệu không đầy đủ, dữ liệu nhiễu, dữ liệu không nhất quán,…), rút gọn dữliệu (sử dụng các phương pháp thu gọn dữ liệu, histograms, lấy mẫu…), rời rạc hóa

dữ liệu (dựa vào histograms, entropy, phân khoảng, ) Sau bước này, dữ liệu sẽnhất quán, đầy đủ, được rút gọn và được rời rạc hóa

Bước 3 - Biến đổi dữ liệu (data transformation): Là bước chuẩn hóa và làm

mịn dữ liệu để đưa dữ liệu về dạng thuận lợi nhất nhằm phục vụ cho các kỹ thuậtkhai thác ở bước sau

Bước 4 - Khai phá dữ liệu (data mining): Đây là bước 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 được cácmẫu (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 được khai thác ở bước trên biểu diễntheo dạng gần gũi với người sử dụng như đồ thị, cây, bảng biểu, luật,… Đồng thờibước này cũng đánh giá những tri thức khám phá được theo những tiêu chí nhất định.Trong giai đoạn khai phá dữ liệu, có thể cần sự tương tác của người dùng đểđiều chỉnh và rút ra các tri thức cần thiết nhất Các tri thức nhận được cũng có thểđược lưu và sử dụng lại

http://w w w.lr c -tn u edu vn/

Số hóa bởi Trung tâm Học

liệu

5

Hình 1.1 Các bước trong Data Mining và KDD

DM có thể được tiến hành trên một lượng lớn dữ liệu có trong CSDL, các kho

dữ liệu hoặc trong các loại lưu trữ thông tin khác

Các mẫu đáng quan tâm có thể được đưa đến người dùng hoặc được lưu trữtrong một cơ sở tri thức

1.1.2 Kiến trúc về một số hệ thống khai phá dữ liệu

(Database or Ware house Máy chủ CSDL hay

Kiến trúc của một hệ thống DM điển hình có thể có các thành phần như hình1.2 [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 lưu trữ thông tin khác Các kỹ thuật làm sạch dữ liệu và tích hợp dữ liệu có thểđược 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 khaiphá của người dùng

- Cơ sơ tri thức (Knowledge-base): Đây là miền tri thức dùng để hướng 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 như: đặc trưng hóa, kết hợp, phân lớp,phân cụm, phân tích sự tiến hóa

- Module đánh giá mẫu (Pattern evaluation): Bộ phận tương tác với các

module DM để duyệt tìm các mẫu đáng được quan tâm Nó có thể dùng cácngưỡng về độ quan tâm để lọc mẫu đã khám phá được Cũng có thể module đánhgiá mẫu được tích hợp vào module khai phá, tùy theo cách cài đặt của phươngpháp khai phá được dùng

- Giao diện đồ họa người dùng (Graphical user interface): Bộ phận này cho

phép người dùng giao tiếp với hệ thống DM Ngoài ra, bộ phận này cho phép ngườidùng xem các lược đồ CSDL, lược đồ kho dữ liệu (hay các cấu trúc dữ liệu), cácđánh 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 được vận dụng trong nhiều lĩnh vực khác nhau nhằm khai thác nguồn dữliệu phong phú được lưu trữ trong các hệ thống thông tin Tuỳ theo bản chất củatừng lĩnh vực, việc vận dụng DM có những cách tiếp cận khác nhau

DM được vận dụng có hiệu quả để giải quyết các bài toán phức tạp trongnhững ngành đòi hỏi kỹ thuật cao như: Tìm kiếm mỏ dầu từ ảnh viễn thám, xác định

vùng gãy trong ảnh địa chất để dự đoán thiên tai, cảnh báo hỏng hóc trong các hệthống sản xuất.

Phân nhóm và dự đoán là những kỹ thuật rất cần thiết cho việc quy hoạch vàphát triển hệ thống quản lý và sản xuất trong thực tế như: dự đoán tái sử dụng điệnnăng cho các công ty cung cấp điện, lưu lượng viễn thông cho các công ty điệnthoại, mức độ tiêu thụ sản phẩm cho các nhà sản xuất, giá trị của sản phẩm trên thịtrường cho các công ty tài chính hay phân nhóm khách hàng tiềm năng

Khai phá dữ liệu tuy là một lĩnh vực mới nhưng đã thu hút được sự quan tâmcủa rất nhiều nhà nghiên cứu, nhờ có nhiều những ứng dụng trong thực tiễn, cácứng dụng điển hình, có thể liệt kê như 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 vàphương pháp điều trị (chế độ dinh dưỡng, 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 ditruyền, mối liên hệ giữa một số hệ gen và một số bệnh di truyền

hàng luôn mua kem khi họ mua dâu tây, nên bạn có thể đề xuất rằng lần tới khi họmua 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 InfoSphereWarehouse một trình hướng dẫn đưa ra các cấu hình của một luồng thông tin được

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 được

dùng để hỗ trợ quá trình ra quyết định Quá trình xây dựng cây quyết định có thể xem như là một chiến thuật chia để trị cho sự phân lớp đối tượng [3].

Cây quyết định là công cụ dùng để phân lớp dữ liệu Với khai phá dữ liệu, câyquyết định tượng trưng cho một phương thức quyết định cho việc xác định lớp củacác dữ kiện (các thuộc tính được xét trên mỗi đối tượng) đã cho Mỗi nút của câychỉ ra một tên lớp hoặc là một phép thử cụ thể Phép thử này chia không gian các dữkiện tại nút đó thành các kết quả có thể đạt được của phép thử Mỗi tập con đượcchia ra là không gian con của các dữ kiện, sẽ tương ứng với một vấn đề con của sựphân lớp, điều này sẽ được giải quyết bởi một cây con tương ứng

Cây quyết định được biểu diễn dưới dạng một sơ đồ có cấu trúc cây Mỗi nútcủa nó (trừ nút lá) ghi một phép thử trên 1 thuộc tính, mỗi nhánh biểu thị một kếtquả của phép thử, và mỗi nút lá ghi một nhãn lớp Nút trên cùng gọi là nút gốc.Các nút của cây được gán nhãn là tên các thuộc tính, các cạnh được gán cácgiá trị có thể của các thuộc tính, các lá mô tả các lớp khác nhau Các đối 60 Khaiphá dữ liệu tượng được phân lớp theo các đường đi trên cây, qua các cạnh tươngứng với các giá trị của thuộc tính của đối tượng tới lá

Một cây điển hình được chỉ ra trên hình 1.4 dành cho khách hàng mua sắmmáy tính với các thuộc tính tuổi, sinh viên, tiềm lực tài chính Các nút (hình chữnhật) 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)

Ageyouth Middle_aged Senior

Student yes Credit-rating?

no yes Fair excellent

no yes 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

Trong lĩnh vực học máy, cây quyết định là một kiểu mô hình dự báo, nghĩa làmột ánh xạ từ các quan sát về một sự vật/hiện tượng tới các kết luận về giá trị mụctiêu của sự vật/ hiện tượng Mỗi nút trong tương ứng với một biến; đường nối giữa

nó với nút con của nó thể hiện giá trị cụ thể cho biến đó Mỗi nút lá đại diện cho giátrị dự toán của biến mục tiêu, cho trước các giá trị dự toán biến được biểu diễn bởiđường đi từ nút gốc tới nút lá đó Kỹ thuật học máy dung trong cây quyết định đượcgọi là học bằng cây quyết định, hay chỉ gọi với cái tên ngắn gọn là cây quyết định

Cây quyết định có thể được mô tả như là sự kết hợp của các kỹ thuật toánhọc và tính toán nhằm hỗ trợ việc mô tả, phân loại và tổng quát hóa một tập dữ liệucho trước

Cây quyết định có 2 tên khác:

- Cây hồi quy: Ước lượng các hàm giá trị số thực thay vì được sử dụng cho

các nhiệm vụ phân loại

- Cây phân loại: Có chứa các biến phân loại như: giới tính (nam hay nữ), kết

quả của một trận đấu (thắng hay thua)

Ví dụ:

Cây quyết định phân lớp mức lương có các dữ liệu sau:

ID (Định danh), age (tuổi), salary (lương)

Phân lớp mức lương 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

<=34 >34Salary? Salary?

Hình 1.5 Cây quyết định phân lớp (bad/good) mức lương

Các cây quyết định được sử dụng để phân loại theo các phương cách sau:Cho một bộ dữ liệu X, cần xác định nó thuộc lớp nào Các giá trị thuộc tínhcủa X được thử dựa vào cây quyết định Một con đường lần theo vết từ gốc đến nút

lá nào đó Tên lớp của lá đó là tên lớp gán cho bộ dữ liệu X

Cây quyết định đã trở thành công cụ phân loại phổ biến vì việc xây dựng công

cụ phân lớp theo cây quyết định không đòi hỏi kiến thức nghiệp vụ hoặc tập tham

số nào và do vậy nó được ưu tiên để tiến hành khai phá tri thức Các cây quyết định

có thể xử lý dữ liệu có số chiều rất cao Việc biểu diễn tri thức ở dạng cây là dễdàng cảm nhận và rất thích hợp với con người

K-Means là thuật toán rất quan trọng và được sử dụng phổ biến trong kỹ thuậtphân cụm Tư tưởng chính của thuật toán K-Means là tìm cách phân nhóm các đốitượng (objects) đã cho vào K cụm (K là số các cụm được xác đinh trước, K nguyêndương) sao cho tổng bình phương khoảng cách giữa các đối tượng đến tâm nhóm(centroid ) là nhỏ nhất

Thuật toán K-Means được mô tả như sau

Hình 1.6 Các bước thực hiện thuật toán K-Mean Thuật toán K-Means thực hiện qua các bước chính sau:

1 Chọn ngẫu nhiên K tâm (centroid) cho K cụm (cluster) Mỗi cụm được đạidiện bằng các tâm của cụm

2 Tính khoảng cách giữa các đối tượng (objects) đến K tâm (thường dùngkhoảng cách Euclidean)

3 Nhóm các đối tượng vào nhóm gần nhất

4 Xác định lại tâm mới cho các nhóm

5 Thực hiện lại bước 2 cho đến khi không có sự thay đổi nhóm nào của cácđối tượng

1.3 Kết luận chương 1

Chương 1 trình bày chi tiết các khái niệm cơ bản, kiến trúc, quá trình khai phá

dữ liệu và một số phương pháp khai phá dữ liệu thông dụng Phương pháp luật kếthợp, phương pháp cây quyết định, phương pháp K- Mean (Phân cụm), đều là nhữngthuật toán đơn giản, quen thuộc và rất quan trọng trong quá trình khai phá tập mụclợi ích cao

Trong chương 2 sẽ trình bày các khái niệm cơ bản về tập mục thường xuyên vàtập mục lợi ích cao, cấu trúc cây tiền tố và các thuật toán khai phá tập mục lợi íchcao sử dụng cấu trúc cây tiền tố

CHƯƠNG 2 KHAI PHÁ TẬP MỤC THƯỜNG XUYÊN VÀ TẬP MỤC LỢI ÍCH CAO 2.1 Khai phá tập mục thường xuyên

2.1.1 Cơ sở dữ liệu giao tác

Định nghĩa 1

Cho tập các mục (item) I 1 , i2 , , i n Một giao tác (transaction) T là một tập

con của I, T I Cơ sở dữ liệu giao tác là một tập các giao tác DB T1 , T2 , , T m

Mỗi giao tác được gán một định danh TID Một tập mục con X I, gồm k mục phân biệt được gọi là một k-tập mục Giao tác T gọi là chứa tập mục X nếu X T.

Biểu diễn cơ sở dữ liệu giao tác: Cơ sở dữ liệu giao tác thường được biểu diễn ở

dạng biểu diễn ngang, biểu diễn dọc và biểu diễn bởi ma trận giao tác

Biểu diễn ngang: Cơ sở dữ liệu là một danh sách các giao tác Mỗi giao tác có

một định danh TID và một danh sách các mục dữ liệu trong giao tác đó.

Biểu diễn dọc: Cơ sở dữ liệu là một danh sách các mục dữ liệu, mỗi mục dữ

liệu có một danh sách tất cả các định danh của các giao tác chứa mục dữ liệu này

Bảng 2.2: Biểu diễn dọc của cơ sở dữ liệu giao tác

Mục dữ liệu Định danh giao tác

(item) I n được biểu diễn bởi ma trận nhị phân M ở đó:

1 khi iq

0 khi i q

Ví dụ 2: Cơ sở dữ liệu bảng 2.1 biểu diễn ở dạng ma trận giao tác là:

Bảng 2.3: Ma trận giao tác của cơ sở dữ liệu cho ở bảng 2.1

Cho tập mục X Ta gọi độ hỗ trợ (Support) của X trong cơ sở dữ liệu giao

tác DB, ký hiệu sup( X ), là tỷ lệ phần trăm các giao tác chứa X trên tổng số cácgiao tác trong DB, tức là: sup( X ) T B T }

DB

Ta có: 0 up( X ) với mọi tập mục X

Định nghĩa 3

Y ,

minsup, ngược lại X gọi là tập mục không thường xuyên

Định nghĩa 4

Một luật kết hợp là một biểu thức dạng X trong đó X và Y là các tập

Y ,sup( X Y ) sup( X Y ).

1)s

Y Y

s

Y

Y

T D

T Y T D

T D

T Y

con của I , X Y ; X gọi là tiền đề, Y gọi là kết luận của luật

Luật kết hợp có hai thông số quan trọng là độ hỗ trợ và độ tin cậy.

Định nghĩa 5

Độ hỗ trợ (Support) của một luật kết hợp X→Y, ký hiệu là sup(X→Y), là độ hỗ

Như vậy độ hỗ trợ của luật kết hợp X chính là xác suất

xuất hiện đồng thời của X và Y trong một giao tác

được gọi là luật kết hợp mạnh

Tính chất cơ bản của tập mục thường xuyên:

conf ( X minconf,

mục thường xuyên có các tính chất sau:

(1) Nếu X ,

Y là các tập mục và X thì sup( X )

(2) Nếu một tập mục là không thường xuyên thì mọi tập cha của nó của nócũng không thường xuyên.

(3) Nếu một tập mục là thường xuyên thì mọi tập con khác rỗng của nó cũng làtập mục thường xuyên

Tính chất (3) được gọi là tính chất Apriori, tính chất này là cơ sở để rút gọn không gian tìm kiếm các tập mục thường xuyên

2.1.3 Bài toán khai phá luật kết hợp và một số thuật toán về khai phá tập mục thường xuyên

2.1.3.1 Bài toán khai phá luật kết hợp

Y )

Y X , Y

Cho cơ sở dữ liệu giao tác

độ tin cậy tối thiểu minconf.

Yêu cầu: Tìm tất cả các luật kết hợp X trên cơ sở dữ liệu DB sao cho

sup( X Y ) minsup và conf ( X minconf.

Bài toán khai phá luật kết hợp này được gọi là bài toán cơ bản hay bài toán nhịphân, vì ở đây, giá trị của mục dữ liệu trong cơ sở dữ liệu là 0 hoặc 1 (xuất hiện haykhông xuất hiện)

Bài toán khai phá luật kết hợp được chia thành hai bài toán con Bài toán thứnhất là tìm tất cả các tập mục thỏa mãn độ hỗ trợ tối thiểu cho trước, tức là tìm tất

cả các tập mục thường xuyên Bài toán thứ hai là sinh ra các luật kết hợp từ các tậpmục thường xuyên đã tìm được thỏa mãn độ tin cậy tối thiểu cho trước

thường xuyên, ta sinh ra các luật kết hợp bằng cách tìm kiểm tra độ tincậy của luật X \ Y có thỏa mãn độ tin cậy tối thiểu không Bài toán thứ hai nàyđơn giản, mọi khó khăn nằm ở bài toán thứ nhất, hầu hết các nghiên cứu về luật kết hợp đều tập trung giải quyết bài toán thứ nhất là tìm các tập mục thường xuyên

2.1.3.2 Một số thuật toán về khai phá tập mục thường xuyên

* Thuật toán AIS

Thuật toán hoàn toàn sử dụng chiến lược “vét cạn”, xem xét toàn bộ các tậpmục thường xuyên bằng cách sinh tổ hợp tập các mục và chạy kiểm tra

* Thuật toán SETM

Được đề xuất do mong muốn dùng SQL để tìm các tập mục thường xuyên.Cũng giống như thuật toán AIS, SETM cũng sinh ra các tập ứng viên dựa trên cácgiao dịch đọc được từ CSDL Vì thế, nó sinh ra và đếm mỗi tập mục ứng cử viên

mà thuật toán AIS sinh ra Tuy nhiên để phép nối (JOIN) chuẩn của SQL, SETMchia sự phát sinh ứng cử viên từ việc đếm

* Thuật toán CHARM

Thực hiện trên cả không gian các tập phổ biến và không gian các tập địnhdanh CHARM không tìm tất cả các tập con có thể của tập mục mà thuật toán kếthợp tìm tập đóng hiệu quả hơn (bottom – up) Nếu CSDL của tập mục là lớn và tậpmục thường xuyên là dày thì CHARM duyệt cả không gian tập mục và tập địnhdanh đồng thời sẽ bỏ qua nhiều mức để tìm tập phổ biến đóng thay cho việc tínhtoán nhiều tập con không đóng

* Thuật toán FP-Growth

Phát triển từ thuật toán Apriori, J.Han, J Pei, Y.Yin và R.Mao đã đề xuất thuậttoán FP-growth [7] nhằm khắc phục những hạn chế của thuật toán Apriori Thuậttoán này được xây dựng với ba kỹ thuật chính là: Nén dữ liệu thích hợp vào một cấutrúc cây gọi là FP-tree Chỉ có 1–tập mục ở trong cây và các nút của cây được sắpxếp để các nút xuất hiện thường xuyên hơn có thể dễ dàn chia sẻ với các nút xuấthiện ít hơn; Thực hiện phương pháp khai phá phát triển (growth) từng đoạn dựa trêncây FP-tree gọi là phương pháp FP-growth; Kỹ thuật tìm kiếm được dùng ở đây làdựa vào sự phân chia, “chia để trị”, phân rã nhiệm vụ khai phá thành nhiệm vụ nhỏhơn

* Thuật toán Apriori

Apriori là thuật toán khai phá tập mục thường xuyên do R Agrawal và R.Srikant đề xuất vào năm 1993 [11] Ý tưởng của thuật toán Apriori còn là nền tảngcho việc phát triển nhiều thuật toán khai phá tập mục thường xuyên khác về sau

Ý tưởng chính của thuật toán này là: sinh ra các tập mục ứng viên từ các tậpmục thường xuyên ở bước trước, sử dụng kỹ thuật tỉa để bỏ bớt đi những tập mụcứng viên không thỏa mãn ngưỡng hỗ trợ tối thiểu (minsup) Cơ sở của thuật toánnày là tính chất Apriori “Bất kỳ tập con nào của tập mục thường xuyên cũng phải làtập mục thường xuyên” Thuật toán giúp tỉa bớt những tập ứng viên có tập conkhông thường xuyên trước khi tính độ hỗ trợ Nhược điểm của thuật toán là chi phísinh ra số lượng khổng lồ tập ứng viên và phải duyệt CSDL nhiều lần.

Giả sử các mục dữ liệu trong mỗi giao tác được lưu theo trật tự từ điển

Thuật toán sử dụng các ký hiệu sau đây :

Mỗi phần tử của tập này có 2 trường :

i) Tập mục (itemsets)ii) Độ hỗ trợ (count)

Mỗi phần tử của tập này có 2 trường:

i) Tập mục (itemsets)ii) Độ hỗ trợ (count)Thuật toán duyệt cơ sở dữ liệu nhiều lần Mỗi lần duyệt, thuật toán thực hiện

hai bước: bước kết nối và bước tỉa Trong lần lặp thứ k, thuật toán nối hai (k-1)-tập

mục để sinh ra k-tập mục, sử dụng tính chất Apriori để tỉa các tập ứng viên Bướcnối và bước tỉa như sau:

Bước kết nối (tìm C k )

Tập các k-tập mục ứng viên Ck được sinh ra bởi việc kết nối Lk-1 với chính nó.Hai tập mục l1 và l2 của Lk-1 được nối nếu chúng có (k-2) mục dữ liệu đầu bằngnhau, mục dữ liệu thứ (k-1) của l1 nhỏ hơn của 12:

(l1[l] = l2[1]) (l1[2] = l2[2]) (l1[k-2] = l2[k-2]) (l1 [k-1] < l2[k-l])Dạng của tập mục nhận được bởi nối l1 và l2 là: l1[1] l1[2] l1[k-2] l1[k-1] l2[k-1]

Bước tỉa

Tập Ck chứa tập Lk , tức là tất cả các k-tập mục thường xuyên đều thuộc tập Ck

chất Apriori để rút gọn tập Ck Nếu có một (k-1)-tập mục con nào đó của k-tập mục

duy trì một cây băm của tất cả các tập mục thường xuyên đã tìm thấy

Thuật toán Apriori ( tìm các tập mục thường xuyên)

Input: Cơ sở dữ liệu DB, ngưỡng độ hỗ trợ minsup

Output: Tập các tập mục thường xuyên L trong DB

Method:

(2) For (k=2; Lk-1≠Ø; k++) do begin

(3) Ck = apriori_gen(Lk-1, minsup); // Sinh tập ứng viên mới từ Lk-1

(4) For (each T DB) do begin

(5) C = subset(Ck,T); // Các tập mục ứng viên chứa trong T

Sinh các tập mục ứng viên của thuật toán Apriori: hàm Apriori_gen()

Function Apriori gen()

(4) Ck ← { l1[1], l1[2], l1[k-2],l1[k-1] l2[k-1]};

Ví dụ minh hoạ thuật toán Apriori:

Ta minh họa thực hiện thuật toán Apriori trên cơ sở dữ liệu trong bảng 2.4 với

minsup=50%, tức xuất hiện ít nhất 2 lần.

Bảng 2.4: Cơ sở dữ liệu giao tác minh họa thực hiện thuật toán Apriori

Nối L3 với L3 được L4 = Ø, thuật toán dừng

Nối L3 với L3 được L4 = Ø, thuật toán dừng

Các tập mục thường xuyên tìm được theo thuật toán Apriori là:

L=L1 L2 L3 = A, B, C, E, AC, BC, BE, CE, BCE

Nhận xét: thuật toán duyệt cơ sở dữ liệu nhiều lần, số lần duyệt bằng độ dài

của tập mục thường xuyên dài nhất tìm được

* Thuật toán COFI-tree

Thuật toán Apriori gặp phải hai chi phí lớn:

và thực hiện kiểm tra độ hỗ trợ của chúng

Để khắc phục nhược điểm trên của thuật toán Apriori Năm 2003, nhóm tácgiả Mohammad El-Hajj và Osmar R.Zaiane ở đại học Alberta Edmonton, canada đềxuất thuật toán không đệ quy khai phá cây FP-tree dựa trên cấu trúc cây COFI-tree

(Co-Occurrence Frequent Items tree) [8]

Thuật toán COFI-tree gồm 2 giai đoạn chính Giai đoạn thứ nhất, xây dựng câyFP-tree Giai đoạn thứ hai, khai phá cây FP-tree chia thành nhiều bước tương ứngvới các mục dữ liệu trong bảng đầu mục của cây FP-tree, mỗi bước sử dụng một cấutrúc dữ liệu phụ trợ là cây COFI-tree của mục dữ liệu đó

Mỗi nút của cây FP-tree gồm 3 trường: tên mục dữ liệu, độ hỗ trợ và một contrỏ (con trỏ này trỏ đến nút tiếp theo cùng trên trên cây hoặc là null nếu không có).Cây FP-tree có một bảng đầu mục (header table) Mỗi mục của bảng có 3 trường:tên mục dữ liệu, độ hỗ trợ và con trỏ, con trỏ này trỏ đến nút đầu tiên biểu diễn mục

dữ liệu này trong cây

Cây COFI-tree có bảng đầu mục giống như cây FP-tree nhưng các mục dữ liệu

có thứ tự ngược lại Mỗi mục trong bảng đầu mục chứa 3 trường: tên mục dữ liệu,

độ hỗ trợ địa phương (số lần xuất hiện của mục dữ liệu trong cây COFI-tree) và contrỏ (trỏ đến nút đầu tiên biểu diễn mục dữ liệu này trong cây) Một danh sách liênkết được duy trì giữa các nút cùng tên để thuận lợi cho quá trình khai phá Mỗi nútcủa cây COFI-tree có 4 trường: tên mục dữ liệu, hai biến s và p (biến s biểu diễn độ

hỗ trợ của nút, biến p cho biết số lần nút đó đã tham gia tạo mẫu), con trỏ (trỏ đếnnút tiếp theo cùng tên trên cây)

Ta minh họa thuật toán COFI-tree qua xét cơ sở dữ liệu bảng 2.5 với ngưỡng

độ hỗ trợ minsup=3.