Mở đầu Hiện nay, sự phát triển nhanh chóng của Internet đã giúp cho việc trao đổi thôngtin giữa các tổ chức, công ty, cá nhân ngày càng gia tăng. Khi đó, mỗi công ty, tổ chức,cá nhân sẽ có rất nhiều thông tin.Sau một thời gian,các thông tin quá nhiều. Khi đó sẽ cần các cách quản lý tốt hơn, nhằm phục vụ cho mục đích đó đã hình thành các khái niệm DATAMINING vàWEBMINING. Trong đồán chúng ta chỉ quan tâm đến DATA MINING.Khai phá dữ liệu Khai phá dữ liệu đƣợc định nghĩa là sử dụng các hệ chuyên gia, hệ lập lịch, hệhọc máy,… và CSDL hoặc kho dữ liệu.
Nhằm phân tích đánh giá rút, trích tri thức để đƣa ra các quy luật, dự đoán để hỗ trợ cho việc quyết định. Phạm vi của khai phá dữ liệu Khai phá dữ liệu đƣợc sử dụng rộng rãi ở nhiều lĩnh vực khác nhau. Nhƣ thống kê, học máy cơ sở dữ liệu. Trong học máy, khai phá dữ liệu đƣa ra những thông tin cụ thể khá chính xác, để từ đó đƣa vào các thuật toán đƣợc xây dựng sẵn trên máy nhằm trích chọn đƣa ra các dự đoán trong tƣơng lai.
Học máy và khai phá dữ liệu luôn song hành với nhau, mục tiêu tuy khác nhau, nhƣng lại có liên quan mật thiết với nhau. Trong lĩnh vực thống kê, khai phá dữ liệu là tiền đề để đƣa ra các thông tin cụ thể tùy theo mục đích của ngƣời thống kê. Tuy trong thống kê chỉ cần những thông tin chƣa đầy đủ chƣa tìm ra hết những thông tin, nhƣng với những thông tin chi tiết từ bƣớc khai phá sẽ giúp việc thống kê dễ dàng hơn. Độ tin cậy cao hơn.
Tuy cơ sở dữ liệu truy vấn truyền thống (SQL) có thể phần nào đáp ứng đƣợc nhu cầu, nhƣng vẫn có những thông chƣa đƣợc tìm ra. Dữ liệu có nhiều loại khác nhau và mỗi loại dữ liệu là các môi trƣờng khác nhau để khai phá. Mục tiêu của khai phá dữ liệu Từ những gì đƣợc trình bày ở trên chúng ta có thể thấy các mục đích của khai phá dữ liệu nhƣ sau: - Khai phá thông tin tìm kiếm tri thức nhỏ được dấu kín trong kho thông tin. Trích rút thông tin, dựa trên các thông tin đã rút trích để đưa ra dự báo dữ liệu tương lai.
Chỉ ra xu hướng có thể xuất hiện cho việc kinh doanh, hay sự thay đổi của xã hội. - Tìm ra các quy luật mô tả sao cho con người có thể hiểu được dữ liệu đó. Thông qua việc rút trích phân tích dữ liệu. Các kỹ thuật khai phá dữ liệu Cây quyết định.
Luật kết hợp. Các phƣơng pháp phát triển tri thức qua việc học tập mẫu. Khoảng cách ngắn nhất. Ứng dụng của khai phá dữ liệu Các kỹ thuật khai phá dữ liệu có thể đƣợc áp dụng vào trong nhiều lĩnh vực, điển hình nhƣ sau: Thông tin thƣơng mại: Phân tích dữ liệu tiếp thị và bán hàng và thị trƣờng.
Phân tích vốn đầu tƣ. Quyết định cho vay vốn. Phát hiện gian lận. Thông tin sản xuất: Điều khiển và lập lịch.
Hệ thống quản lý. Quản trị mạng. Phân tích kết quả thí nghiệm. Thông tin khoa học: Dự báo thời tiết.
Cơ sở dữ liệu sinh học. Khoa học địa lý: tìm động đất; … Thông tin cá nhân 12 1. Các khó khăn trong khai phá dữ liệu Khai phá dữ liệu liên quan đến nhiều ngành, nhiều lĩnh vực trong thực tế, vìvậy các thách thức và khó khăn ngày càng nhiều, càng lớn. Một số các thách thứcvà khó khăn cần đƣợc quan tâm: Các cơ sở dữ liệu lớn, các tập dữ liệu cần xử lý có kích thƣớc rất lớn,trongthực tế, kích thƣớc của các tập dữ liệu thƣờng ở mức tera-byte.
- Mức độ nhiễu cao hoặc dữ liệu bị thiếu (nhiều thông tin sai lệch) - Số chiều lớn (nhiều dữ liệu giữa đƣợc khai thác) - Thay đổi dữ liệu và tri thức có thể làm cho các mẫu đã phát hiện khôngcòn phù hợp - Quan hệ giữa các trƣờng phức tạp(cơ sở dữ liệu lớn, nhiều quan hệ ràng buộc) 2. Chi tiết các bƣớc khai phá tri thức Một tiến trình khám phá tri thức gồm 6 giai đoạn. Bƣớc 1: Chọn lọc dữ liệu (data selection). Bƣớc 2: Xóa bỏdữ liệu không cần thiết (cleaning).
Bƣớc 3: Làm giàu dữ liệu (enrichment). Bƣớc 5: Khám phá tri thức (data mining). Bƣớc 6: Báo cáo kết quả (reporting). Bên trên là 6 bƣớc khai phá tri thức nhƣng thực ra việc khai phá tri thức chỉ thực sự bắt đầu ở bƣớc thứ 5 mà thôi.
13 Khám phá Làm tri thức Dùng Hành Thông Chọn Xóa bỏ Mã hóa giàu dữ các động tin yêu lọc dữ dữ liệu dữ liệu liệu biểu cầu liệu đồ báo cáo nh 1:Mô hình khai phá dữ liệu 2. Lựa chọn dữ liệu (data selection) Trong việc quản lý dữ liệu các cơ sở dữ liệu sẽ đƣợc xây dựng ở khắp mọi nơi chúng ta cần lựa chọn, một cách tốt nhất nhằm phục vụ cho việckhai phá. Ở bƣớc này cần có sự phân tích cao nhất, tránh sai sót để đƣa ra một bộ dữ liệu hoàn chỉnh.Xóa bỏ dữ liệu không cần thiết (cleaning) Các cơ sở dữ liệu sau khi đƣợc tập hợp sẽ đƣợc tập trung tại một chỗ. Khi đó trong dữ liệu sẽ có các dữ liệu không cần thiết cho việc khai phá.
Chúng ta cần phải xóa bỏ chúng để cơ sở dữ liệu trở lên linh hoạt và thuận tiện nhất. Giai đoạn này có thể đƣợc thực hiện nhiều lần trong quá trình khai phá. Dữ liệu cuối cùng cần là tốt nhất tránh sai xót, để khi khai phá tránh đƣa ra dữ liệu không tốt.Làm giàu dữ liệu (enrichment) Trong giai đoạn này chúng ta cần bổ sung thông tin cho cơ sở chính bằng cách đƣa liên kết với cơ sở dữ liệu ngoài. Những cơ sở dữ liệu có liên quan đến cơ sở dữ liệu chính.
Chọn lọc các cơ sở dữ liệu phù hợp bổ sung cho cơ sở dữ liệu chính. Làm cho thông tin chính rõ ràng hơn, nhằm phục vụ cho việc khai phá dữ liệu tốt nhất. Khi có sự kết hợp giữa hai cơ sở dữ liệu chúng ta cần lƣu ý đến các mối quan hệ có thể giữa hai cơ sở dữ liệu. Việc làm giàu có thể rât có ích nếu chúng ta xây dựng đúng cách.
Nếu bƣớc này làm sai sẽ gây ra việc khó lắm dữ liệu cho bƣớc sau, làm bƣớc sau khó đoán nhận dữ liệu. Chuẩn hóa và mã hóa (coding and normalzation) Mục đích chính của giai đoạn này là biến cơ sở dữ liệu về dạng mà khi triển khai các thuật toán khai phá dữ liệu là tốt nhất. Nhƣng không phải loại dữ liệu nào cũng có thể mã hóa đƣợc, mà tùy loại dữ liệu mà chúng ta sử dụng các cách mã hóa khác nhau. Khám phá tri thức (datamining) Sử dụng các thuật toán khai phá dữ liệu để tìm kiếm tri thức trong cơ sở dữ liệu.
Trong giai đoạn này chúng ta có rất nhiều các thuật toán để phù hợp với mọi loại dữ liệu chúng ta thu thập đƣợc. Giai đoạn này sẽ đƣợc đề cập cụ thể hơn ở chƣơng tiếp theo. Báo cáo kết quả (reporting) Đây là giai đoạn cuối cùng của quá trình khai phá tri thức. Tổng hợp dữ liệu đã khai phá tri thức thông báo kết quả.
Đƣa ra tóm tắt sao cho ngƣời đọc dễ hiểu, dễ tiếp cận dữ liệu quan trọng. Chi tiết mã hóa và biến đổi dữ liệu Ngoài một số cách mã hóa nhƣ trên chúng ta còn có một số cách phƣơng pháp biến đổi để có thể khai phá. Trong phần này đề cập đến phép biến đổi và chuẩn hóa dữ liệu. Phép biến đổi và chuẩn hóa dữ liệu Trong thực tế sau khi đã có dữ liệu từ nhiều nguồn khác nhau, chúng ta chƣa thể khai phá ngay đƣợc.
Chúng ta cần đƣa về một loại dữ liệu nhất định. Phép chuẩn hóa dữ liệu Chuẩn hóa dữ liệu sẽ làm cho dữ liệu ban đầu nhỏ đi tốt cho việc phân cụm dữ liệu. Việc chuẩn hóa sẽ biến đổi vị trí, cấu trúc dữ liệu ban đầu hoặc có thể bị mất đi[2]. Có hai phƣơng pháp chuẩn hóa là: Chuẩn hóa toàn cục và chuẩn hóa trong cụm.
Chuẩn hóa toàn cục: làm chuẩn hóa các biến trên tất cả các yếu tố trong các tập dữ liệu. Trong vòng-cụm tiêu chuẩn hóa dùng để chỉ tiêu chuẩn hóa xảy ra trong các cụm biến mỗi ngày. Một số hình thức tiêu chuẩn hóa có thể đƣợc sử dụng trong các chuẩn hóa toàn cục và chuẩn hóa trong phạm vi rất tốt. Tuy nhiên trong một số trƣờng hợp chúng ta chỉ có thể sử dụng trong chuẩn hóa toàn cục.
Chuẩn hóa trong cụm: Để khắc phục nhƣợc điểm của chuẩn hóa toàn cục là chỉ chuẩn hóa khi dữ liệu cho trƣớc. Khi đó tổng thể và [6]đề xuất một cách tiếp cận lặp rằng các cụm thu đƣợc đầu tiên dựa trên số ƣớc lƣợng tổng thể và sau đó sử dụng kết quả của cụm này để so sánhvới cụm khác để xem sự chênh lệch trong cụm có lớn không.Biến đổi dữ liệu Biến đổi dữ liệu tác động lên dữ liệu chuẩn hoá, nhƣng biến đổi dữ liệuphức tạp hơn so với chuẩn hoá dữ liệu. Chuẩn hoá dữ liệu tập trung vàocác biến, nhƣng biến đổi dữ 15 liệu tập trung vào các dữ liệu toàn bộ thiết lập.Trong phần này, trình bày một số dữ liệukỹ thuật biến đổi có thể đƣợc sử dụng trong phân cụm dữ liệu. Phân tích thành phần chính Mục đích chính của phân tích thành phần chính là giảm chiều cao của một chiều cao của một chiều đặt dữ liệu bao gồm một lƣợng lớn số biến tƣơng quan và đồng thời giữ lại càng nhiều càng tốt của biến đổi hiện diện trong tập dữ liệu.
Các thành phần chính (PC) là các biến mới đƣợc không tƣơng quan và ra lệnh nhƣ vậy là ngƣời đầu tiên giữ lại vài phần lớn các biến thể hiện diện trong tất cả các bản gốc biến. SVD (Singular Value Decomposition) SVD(phân tách giá trị riêng) là một kỹ thuật mạnh mẽ trong tính toán ma trận và phân tích, chẳng hạn nhƣ việc giải quyết các hệ thống phƣơng trình tuyến tính và xấp xỉ ma trận. SVD cũng là một kỹ thuật nổi tiếng chiếu tuyến tính và đã sử dụng rộng rãi trong nén dữ liệu và ảo. Phép biến đổi Karhunen-Loéve Các phép biến đổi Karhunen-Loeve (KL) có liên quan với các giải thích cấu trúc dữ liệu thông qua một số tuyến tính kết hợp của các biến.
Giống nhƣ PCA, phép biến đổi KL cũng là cách tối ƣu cho dự án, tính toán sao cho sai số là nhỏ nhất (tức là tổng khoảng cách bình phƣơng (SSD) là tối thiểu [7].