Phân cụm dữ liệu dựa trên mật độ và ứng dụng (Luận văn Thạc sĩ)

Tìm hiểu phân cụm dữ liệu mật độ, khám phá các thuật toán phổ biến như DBSCAN, OPTICS và những ứng dụng quan trọng trong khoa học dữ liệu.

• Tác giả: Vũ Ngọc Thanh
• Người hướng dẫn: TS. Nguyễn Huy Đức
• Trường học: Trường Đại Học Công Nghệ Thông Tin Và Truyền Thông - Đại Học Thái Nguyên
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Phân Cụm Dữ Liệu Dựa Trên Mật Độ Và Ứng Dụng
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2016
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• MỤC LỤC
• DANH MỤC HÌNH ẢNH
• DANH MỤC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU VÀ PHÂN CỤM DỮ LIỆU
• 1.1. Tổng quan về khai phá dữ liệu
• 1.2. Tiến trình khai phá dữ liệu
• 1.3. Các mô hình khai phá dữ liệu
• 1.4. Các hướng tiếp cận và kỹ thuật sử dụng trong khai phá dữ liệu
• 1.5. Các dạng dữ liệu có thể khai phá
• 1.6. Các ứng dụng của khai phá dữ liệu
• 1.7. Tổng quan về phân cụm dữ liệu
• 1.8. Các mục tiêu của phân cụm dữ liệu
• 1.9. Các ứng dụng của phân cụm dữ liệu
• 1.10. Các yêu cầu của phân cụm dữ liệu
• 1.11. Những vấn đề còn tồn tại trong phân cụm dữ liệu
• 1.12. Một số khái niệm cần thiết khi tiếp cận phân cụm dữ liệu
• 1.13. Những kỹ thuật tiếp cận trong phân cụm dữ liệu
• 2. CHƯƠNG 2: PHÂN CỤM DỮ LIỆU DỰA TRÊN MẬT ĐỘ
• 2.1. Thuật toán DBSCAN
• 2.2. Thuật toán DBRS
• 2.3. Thuật toán OPTICS
• 2.4. Thuật toán DENCLUDE
• 3. CHƯƠNG 3: XÂY DỰNG CHƯƠNG TRÌNH THỰC NGHIỆM
• 3.1. Ý tưởng bài toán
• 3.2. Nguồn dữ liệu đầu vào
• 3.3. Phương pháp giải quyết bài toán
• 3.4. Kết quả thực nghiệm
• TÀI LIỆU THAM KHẢO
• MỞ ĐẦU

Tóm tắt

I. Phân Cụm Dữ Liệu Mật Độ Tổng Quan và Tại Sao Quan Trọng

Phân cụm dữ liệu là một kỹ thuật khai phá dữ liệu quan trọng, cho phép khám phá các nhóm dữ liệu tự nhiên trong một tập dữ liệu lớn. Không giống như phân lớp, phân cụm là một phương pháp học không giám sát, không yêu cầu phải định nghĩa trước các mẫu huấn luyện. Điều này làm cho nó trở nên vô cùng hữu ích trong việc khám phá các cấu trúc ẩn trong dữ liệu. Phân cụm dữ liệu mật độ là một hướng tiếp cận đặc biệt hiệu quả, đặc biệt khi dữ liệu chứa các cụm có hình dạng bất kỳ và nhiều nhiễu. Phương pháp này dựa trên ý tưởng rằng các cụm được hình thành bởi các vùng có mật độ điểm dữ liệu cao, được phân tách bởi các vùng có mật độ thấp. DBSCAN và OPTICS là hai thuật toán phân cụm mật độ nổi tiếng. Theo [1], phân cụm dữ liệu mật độ có khả năng tìm ra các cụm bất kỳ hình dạng, khác với phân cụm K-means vốn chỉ thích hợp với dữ liệu phân bố cầu. Phân cụm dữ liệu là quá trình nhóm một tập các đối tượng tương tự nhau trong tập dữ liệu vào các cụm sao cho các đối tượng thuộc cùng một cụm là tương đồng còn các đối tượng thuộc các cụm khác nhau sẽ không tương đồng.

1.1. Tầm Quan Trọng của Phân Cụm Dữ Liệu Không Gian Mật Độ Cao

Phân cụm dữ liệu mật độ cao đặc biệt quan trọng trong các ứng dụng mà dữ liệu có thể có hình dạng bất kỳ và có nhiều điểm nhiễu. Các thuật toán truyền thống như k-means thường gặp khó khăn trong những trường hợp này. Ví dụ, trong phân tích ảnh, các đối tượng có thể có hình dạng phức tạp và không thể dễ dàng phân loại bằng các thuật toán dựa trên khoảng cách. Phân cụm dựa trên mật độ cho phép xác định chính xác hơn các cụm này, cũng như loại bỏ các điểm nhiễu không liên quan.

1.2. Ưu Điểm và Nhược Điểm của Phân Cụm Dữ Liệu Mật Độ

Ưu điểm: Khả năng tìm các cụm có hình dạng bất kỳ, khả năng xử lý nhiễu tốt, không yêu cầu xác định trước số lượng cụm. Nhược điểm: Khó khăn trong việc xác định tham số tối ưu (ví dụ: epsilon và MinPts trong DBSCAN), khó khăn trong việc xử lý các cụm có mật độ rất khác nhau, hiệu suất có thể giảm khi dữ liệu có số chiều cao. Để phân cụm, người ta phải đi tìm cách thích hợp để xác định “khoảng cách” giữa các đối tượng, hay là phép đo tương tự dữ liệu. Đây là các hàm để đo sự giống nhau giữa các cặp đối tượng dữ liệu, thông thường các hàm này hoặc là để tính độ tương tự (Similar) hoặc là tính độ phi tương tự (Dissimilar) giữa các đối tượng dữ liệu.

II. Thách Thức Phân Cụm Mật Độ Xác Định Tham Số và Độ Phức Tạp

Một trong những thách thức lớn nhất của phân cụm dữ liệu mật độ là việc xác định các tham số phù hợp. Ví dụ, trong thuật toán DBSCAN, các tham số epsilon (ε) và MinPts đóng vai trò quan trọng trong việc xác định các cụm. Epsilon xác định bán kính của vùng lân cận, trong khi MinPts xác định số lượng điểm tối thiểu cần thiết để một điểm được coi là điểm lõi. Việc lựa chọn sai các tham số này có thể dẫn đến kết quả phân cụm kém chất lượng. Ngoài ra, độ phức tạp tính toán cũng là một vấn đề, đặc biệt khi xử lý các tập dữ liệu lớn. Các thuật toán phân cụm mật độ có thể tốn kém về mặt tính toán, đặc biệt là khi cần tính toán khoảng cách giữa tất cả các cặp điểm dữ liệu.

2.1. Ảnh Hưởng của Tham Số Epsilon và MinPts trong DBSCAN

Tham số epsilon (ε) xác định kích thước của vùng lân cận xung quanh mỗi điểm dữ liệu. Nếu epsilon quá nhỏ, nhiều điểm sẽ bị coi là nhiễu và không thuộc bất kỳ cụm nào. Nếu epsilon quá lớn, các cụm có thể bị hợp nhất lại với nhau, dẫn đến các cụm lớn và không có ý nghĩa. Tham số MinPts xác định số lượng điểm tối thiểu cần thiết trong vùng lân cận của một điểm để điểm đó được coi là điểm lõi. Nếu MinPts quá nhỏ, nhiều điểm có thể được coi là điểm lõi, dẫn đến các cụm nhỏ và rời rạc. Nếu MinPts quá lớn, các cụm có thể bị bỏ sót.

2.2. Giải Pháp Giảm Độ Phức Tạp Tính Toán Phân Cụm Mật Độ

Để giảm độ phức tạp tính toán, có thể sử dụng các kỹ thuật như lập chỉ mục không gian (ví dụ: cây R-tree) để tăng tốc quá trình tìm kiếm các điểm lân cận. Ngoài ra, các thuật toán xấp xỉ cũng có thể được sử dụng để giảm số lượng tính toán khoảng cách cần thiết. Một phương pháp khác là sử dụng các thuật toán song song hoặc phân tán để phân tán quá trình tính toán trên nhiều máy tính. DBRS được giới thiệu là thuật toán phân cụm dữ liệu không gian với các đặc trưng như sau: Các cụm được phát hiện có nhiều hình dạng khác nhau. Chẳng hạn như dữ liệu về địa chỉ của sinh viên của một trường đại học. Khi phân cụm sinh viên theo địa chỉ thì có thể có các cụm sinh viên tại các nhà chung cư (cụm có dạng hình chữ nhật), cụm sinh viên dọc theo các tuyến xe bus (cụm có dạng tuyến),...

III. Thuật Toán DBSCAN Hướng Dẫn Chi Tiết và Các Bước Triển Khai

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) là một thuật toán phân cụm dữ liệu mật độ phổ biến. Thuật toán này hoạt động bằng cách xác định các điểm lõi, điểm biên và điểm nhiễu dựa trên các tham số epsilon (ε) và MinPts. Điểm lõi là điểm có ít nhất MinPts điểm trong vùng lân cận epsilon của nó. Điểm biên là điểm không phải là điểm lõi nhưng nằm trong vùng lân cận của một điểm lõi. Điểm nhiễu là điểm không phải là điểm lõi hoặc điểm biên. Thuật toán bắt đầu bằng cách chọn một điểm chưa được phân loại và tìm tất cả các điểm kề mật độ với điểm đó. Nếu điểm đó là điểm lõi, một cụm mới được tạo và tất cả các điểm kề mật độ với điểm đó được thêm vào cụm. Quá trình này được lặp lại cho đến khi không còn điểm nào có thể được thêm vào cụm. Sau đó, thuật toán tiếp tục với một điểm chưa được phân loại khác.Theo [3], DBSCAN thực hiện tốt trên 100 tiêu chuẩn đánh giá hiệu quả thuật toán.

3.1. Các Bước Chi Tiết của Thuật Toán DBSCAN

1. Chọn một điểm chưa được phân loại từ tập dữ liệu. 2. Tìm tất cả các điểm trong vùng lân cận epsilon của điểm đó. 3. Nếu số lượng điểm trong vùng lân cận lớn hơn hoặc bằng MinPts, điểm đó được đánh dấu là điểm lõi và một cụm mới được tạo. 4. Tất cả các điểm trong vùng lân cận epsilon của điểm lõi được thêm vào cụm. 5. Lặp lại bước 2-4 cho tất cả các điểm trong cụm cho đến khi không còn điểm nào có thể được thêm vào cụm. 6. Nếu số lượng điểm trong vùng lân cận nhỏ hơn MinPts, điểm đó được đánh dấu là điểm nhiễu. 7. Lặp lại bước 1-6 cho tất cả các điểm chưa được phân loại trong tập dữ liệu.

3.2. Ví Dụ Triển Khai DBSCAN trong Python với Scikit learn

from sklearn.cluster import DBSCAN
import numpy as np
X = np.array([[1, 2], [2, 2], [2, 3],
              [8, 7], [8, 8], [7, 8]])
dbscan = DBSCAN(eps=3, min_samples=2)
clusters = dbscan.fit_predict(X)
print(clusters) # Output: [ 0  0  0  1  1  1]

Đoạn code trên minh họa cách sử dụng thư viện Scikit-learn trong Python để triển khai thuật toán DBSCAN. Các tham số epsilon và MinPts có thể được điều chỉnh để phù hợp với đặc điểm của dữ liệu.

IV. Thuật Toán OPTICS Giải Pháp Cho Dữ Liệu Mật Độ Thay Đổi

OPTICS (Ordering Points To Identify the Clustering Structure) là một thuật toán phân cụm dữ liệu mật độ, được thiết kế để giải quyết vấn đề các cụm có mật độ khác nhau. Thay vì tạo ra một phân hoạch cụ thể, OPTICS tạo ra một thứ tự của các điểm dữ liệu, biểu thị cấu trúc phân cụm của dữ liệu. Thứ tự này cho phép xác định các cụm ở các mức mật độ khác nhau. OPTICS không trả về một phân hoạch cụ thể mà cung cấp thông tin đầy đủ để tạo các phân hoạch với epsilon khác nhau [3].

4.1. Reachability Distance và Order Distance trong OPTICS

OPTICS sử dụng hai khái niệm chính: reachability distance và core distance. Core distance của một điểm p là khoảng cách epsilon nhỏ nhất sao cho p là điểm lõi. Reachability distance của một điểm q từ một điểm p là khoảng cách nhỏ nhất giữa p và q, hoặc core distance của p, tùy theo giá trị nào lớn hơn. Những khái niệm này giúp xác định các cụm ở các mức mật độ khác nhau.

4.2. Ưu Điểm và Nhược Điểm của Thuật Toán OPTICS so với DBSCAN

Ưu điểm: OPTICS có thể xử lý các cụm có mật độ khác nhau tốt hơn DBSCAN. OPTICS cung cấp thông tin đầy đủ về cấu trúc phân cụm của dữ liệu, cho phép tạo các phân hoạch với các mức mật độ khác nhau. Nhược điểm: OPTICS phức tạp hơn DBSCAN và đòi hỏi nhiều bộ nhớ hơn. Việc phân tích kết quả của OPTICS có thể tốn thời gian hơn so với DBSCAN.

V. Ứng Dụng Thực Tế Phân Cụm Dữ Liệu Mật Độ Từ Y Tế Đến An Ninh

Phân cụm dữ liệu mật độ có nhiều ứng dụng thực tế trong các lĩnh vực khác nhau. Trong y tế, nó có thể được sử dụng để xác định các nhóm bệnh nhân có các triệu chứng tương tự hoặc để phát hiện các ổ dịch bệnh. Trong an ninh, nó có thể được sử dụng để phát hiện các hoạt động gian lận hoặc để xác định các khu vực có tỷ lệ tội phạm cao. Phân cụm dữ liệu mật độ cũng có thể được sử dụng trong marketing để phân khúc khách hàng hoặc trong phân tích mạng xã hội để xác định các cộng đồng trực tuyến.

5.1. Ứng Dụng Phân Cụm Mật Độ trong Phát Hiện Gian Lận và Tội Phạm

Trong lĩnh vực phát hiện gian lận, phân cụm mật độ có thể được sử dụng để xác định các giao dịch bất thường hoặc các tài khoản có hoạt động đáng ngờ. Bằng cách phân cụm dữ liệu giao dịch, các giao dịch gian lận có thể được xác định là các điểm nhiễu hoặc các cụm có mật độ thấp. Tương tự, trong lĩnh vực phân tích tội phạm, phân cụm mật độ có thể được sử dụng để xác định các khu vực có tỷ lệ tội phạm cao hoặc để phát hiện các mẫu tội phạm.

5.2. Phân Tích Dữ Liệu Khách Hàng và Phân Khúc Thị Trường Nhờ Phân Cụm Mật Độ

Trong marketing, phân cụm mật độ có thể được sử dụng để phân khúc khách hàng dựa trên hành vi mua hàng, nhân khẩu học hoặc các yếu tố khác. Bằng cách phân cụm dữ liệu khách hàng, các nhóm khách hàng có nhu cầu và sở thích tương tự có thể được xác định. Thông tin này có thể được sử dụng để tạo ra các chiến dịch marketing nhắm mục tiêu hoặc để phát triển các sản phẩm và dịch vụ mới phù hợp với nhu cầu của từng phân khúc khách hàng.

VI. Kết Luận Tương Lai Phân Cụm Dữ Liệu Mật Độ và Các Hướng Nghiên Cứu

Phân cụm dữ liệu mật độ là một kỹ thuật mạnh mẽ để khám phá các cấu trúc ẩn trong dữ liệu. Tuy nhiên, vẫn còn nhiều thách thức cần được giải quyết, bao gồm việc xác định tham số tối ưu, giảm độ phức tạp tính toán và xử lý dữ liệu có số chiều cao. Các hướng nghiên cứu tiềm năng bao gồm việc phát triển các thuật toán phân cụm mật độ thích ứng, kết hợp các kỹ thuật phân cụm mật độ với các phương pháp học máy khác và ứng dụng các thuật toán phân cụm mật độ vào các lĩnh vực mới.

6.1. Các Hướng Nghiên Cứu Phát Triển Thuật Toán Phân Cụm Mật Độ Thích Ứng

Một hướng nghiên cứu quan trọng là phát triển các thuật toán phân cụm mật độ thích ứng có thể tự động điều chỉnh các tham số của chúng để phù hợp với đặc điểm của dữ liệu. Các thuật toán này có thể sử dụng các kỹ thuật như học tăng cường hoặc thuật toán di truyền để tìm ra các tham số tối ưu cho từng tập dữ liệu. Chức năng của nó là xác định một nhóm nhỏ các đối tượng dữ liệu khác thường so với các dữ liệu trong cơ sở dữ liệu, tức là các đối tượng dữ liệu không tuân theo các hành vi hoặc mô hình dữ liệu nhằm tránh sự ảnh hưởng của chúng tới quá trình và kết quả của phân cụm.

6.2. Kết Hợp Phân Cụm Mật Độ với Các Phương Pháp Học Máy Khác

Một hướng nghiên cứu khác là kết hợp các thuật toán phân cụm mật độ với các phương pháp học máy khác, chẳng hạn như phân lớp hoặc hồi quy. Ví dụ, phân cụm mật độ có thể được sử dụng để tiền xử lý dữ liệu trước khi áp dụng một thuật toán phân lớp. Hoặc, kết quả của phân cụm mật độ có thể được sử dụng để xây dựng các mô hình dự đoán tốt hơn.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU VÀ PHÂN CỤM DỮ LIỆU 1. Tổng quan về khai phá dữ liệu 1. Khái niệm Có nhiều định nghĩa về Khai phá dữ liệu (Data Mining) được đưa ra, nhìn chung, có thể hiểu khai phá dữ liệu là quá trình tìm ra các quy luật, các mối quan hệ và các thông tin có ích tiềm ẩn giữa các mẫu dữ liệu trong một cơ sở dữ liệu. Các thông tin có ích này không hoặc khó có thể được tìm ra bởi các hệ cơ sở dữ liệu giao dịch truyền thống.

Các tri thức mà khai phá dữ liệu mang lại là công cụ hữu hiệu đối với tổ chức trong việc hoạch định chiến lược và ra quyết định kinh doanh. Khác với các câu hỏi mà hệ cơ sở dữ liệu truyền thống có thể trả lời như:  Hãy hiển thị số tiền ông Smith trong ngày 5 tháng Giêng ?: thu nhận thông tin riêng lẻ do xử lý giao dịch trực tuyến (on-line transaction processing – OLTP).  Có bao nhiêu nhà đầu tư nước ngoài mua cổ phiếu X trong tháng trước?: thu nhận thông tin thống kê do hệ thống hỗ trợ quyết định thống kê (stastical decision suppport system - DSS).  Hiển thị mọi cổ phiếu trong CSDL với mệnh giá tăng ? thu nhận dữ liệu đa chiều do xử lý phân tích trực tuyến (on-line analytic processing - OLAP).

Khai phá dữ liệu giúp trả lời các câu hỏi mang tính trừu tượng, tổng quát hơn như:  Các cổ phiếu tăng giá có đặc trưng gì ?  Tỷ giá US$ - DMark có đặc trưng gì ?  Hy vọng gì về cổ phiếu X trong tuần tiếp theo ? Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 12  Trong tháng tiếp theo, sẽ có bao nhiêu đoàn viên công đoàn không trả được nợ của họ ?  Những người mua sản phẩm Y thường mua những sản phẩm nào nữa ? Khai phá dữ liệu là sự kết hợp của nhiều chuyên ngành như cơ sở dữ liệu, học máy, trí tuệ nhân tạo, lý thuyết thông tin, xác suất thống kê, tính toán hiệu năng cao và các phương pháp tính toán mềm… 1. Tiến trình khai phá dữ liệu Một số nhà khoa học xem khai phá dữ liệu (KPDL) là một cách gọi khác của một thuật ngữ rất thông dụng: Khám phá tri thức từ cơ sở dữ liệu (Knowledge Discovery in Database- KDD). Mặt khác, khi chia các bước trong quá trình khám phá tri thức, một số nhà nghiên cứu lại cho rằng, KPDL chỉ là một bước trong quá trình khám phá tri thức [5]. Như vậy, khi xét ở mức tổng quan thì hai thuật ngữ này là tương đương nhau, nhưng khi xét cụ thể thì KPDL được xem là một bước trong quá trình khám phá tri thức.

Nhìn chung, khai phá dữ liệu hay khám phá tri thức từ cơ sở dữ liệu bao gồm các bước sau [4]: Hình 1.1: Tiến trình khám phá tri thức từ cơ sở dữ liệu Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 13  Trích chọn dữ liệu: Là quá trình trích lọc một lượng dữ liệu phù hợp, cần thiết từ tập dữ liệu lớn (cơ sở dữ liệu tác nghiệp, kho dữ liệu)…  Tiền xử lý dữ liệu: Là bước làm sạch dữ liệu (xử lý dữ liệu không đầy đủ, dữ liệu nhiễu, ngoại lai, dữ liệu không nhất quán…), rút gọn dữ liệu (lấy mẫu dữ liệu, lượng tử hóa…), rời rạc hóa dữ liệu. Kết quả sau bước này là dữ liệu có tính nhất quán, đầy đủ, được rút gọn và được rời rạc hóa.  Chuyển đổi dữ liệu: Là bước chuẩn hóa khuôn dạng và làm mịn dữ liệu, nhằm đưa dữ liệu về dạng thuận lợi nhất để phục vụ cho việc áp dụng các giải thuật khai phá dữ liệu ở bước sau.  Khai phá dữ liệu: Sử dụng các phương pháp, kỹ thuật, các thuật toán để trích lọc ra mẫu có ý nghĩa cùng với các tri thức, quy luật, biểu thức mô tả mối quan hệ của dữ liệu trong một khía cạnh nào đó.

Đây là bước quan trọng và tốn nhiều thời gian nhất của toàn bộ tiến trình KDD.  Đánh giá và biểu diễn tri thức: Trình bày các tri thức, quy luật, biểu thức có ý nghĩa đã tìm được ở bước trước dưới các dạng thức gần gũi, dễ hiểu đối với người sử dụng như đồ thị, biểu đồ, cây, bảng biểu, luật…Đồng thời đưa ra những đánh giá về 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 con người để điều chỉnh cách thức và kỹ thuật sử dụng trong khai phá, nhằm thu được tri thức phù hợp nhất. Dựa trên các bước của quá trình khai phá dữ liệu như trên, kiến trúc điển hình của một hệ khai phá dữ liệu có thể bao gồm các thành phần như sau: Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.2: Kiến trúc điển hình của một hệ khai phá dữ liệu [4] 1.

Các mô hình khai phá dữ liệu Mô hình khai phá dữ liệu là mô tả về phương pháp, cách thức khai phá thông tin từ dữ liệu và định hướng kiểu tri thức cần khai phá. Một mô hình khai phá dữ liệu có thể được mô tả ở 2 mức:  Mức chức năng (Function level): Mô tả mô hình bằng những thuật ngữ về dự định sử dụng. Ví dụ: Phân lớp, phân cụm…  Mức biểu diễn (Representation level): Biểu diễn cụ thể một mô hình. Ví dụ: Mô hình log-linear, cây phân lớp, phương pháp láng giềng gần nhất… Các mô hình khai phá dữ liệu dựa trên 2 kiểu học: có giám sát và không giám sát (đôi khi được nói đến như là học trực tiếp và không trực tiếp -directed and undirected learning) [6].

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 15  Các hàm học có giám sát (Supervised learning functions) được sử dụng để dự đoán giá trị. Một ví dụ của thuật toán học có giám sát bao gồm Naive Bayes cho phân lớp (classification).  Các hàm học không giám sát được dùng để tìm ra cấu trúc bên trong, các quan hệ hoặc tính giống nhau trong nội dung dữ liệu nhưng không có lớp hay nhãn nào được gán ưu tiên. Ví dụ của các thuật toán học không giám sát gồm phân nhóm k-mean (k-mean clustering) và các luật kết hợp Apriori.

Tương ứng có 2 loại mô hình khai phá dữ liệu:  Các mô hình dự báo (học có giám sát): - Phân lớp: nhóm các đối tượng thành các lớp riêng biệt và dự đoán một đối tượng sẽ thuộc vào lớp nào. - Hồi qui (Regression): xấp xỉ hàm và dự báo các giá trị liên tục.  Các mô hình mô tả (học không giám sát): - Phân cụm (Clustering): Tìm các nhóm tự nhiên trong dữ liệu. - Các mô hình kết hợp (Association models): Phân tích “giỏ hàng”.

- Trích chọn đặc trưng (Feature extraction): Tạo các thuộc tính (đặc trưng) mới như là kết hợp của các thuộc tính ban đầu. Các hướng tiếp cận và kỹ thuật sử dụng trong khai phá dữ liệu Xuất phát từ hai mô hình khai phá dữ liệu chủ yếu như đã đề cập ở trên, các bài toán (hay chức năng) khai phá dữ liệu giải quyết thường được phân chia thành các dạng sau [4]:  Mô tả khái niệm (concept description & summarization):. Tổng quát, tóm tắt các đặc trưng dữ liệu, Ví dụ: tóm tắt văn bản…  Phân lớp và dự đoán (classification & prediction): Xây dựng các mô hình (chức năng) để mô tả và phân biệt khái niệm cho các lớp hoặc khái Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 16 niệm để dự đoán trong tương lai, xếp một đối tượng vào một trong những lớp đã biết trước.  Luật kết hợp (association rules): Biểu diễn mối tương quan nhân quả giữa dữ liệu và xu hướng của dữ liệu dưới dạng luật biểu diễn tri thức ở dạng khá đơn giản.

 Khai phá chuỗi theo thời gian (sequential/temporal patterns): tương tự như khai phá luật kết hợp nhưng có thêm tính thứ tự và tính thời gian. Hướng tiếp cận này được ứng dụng nhiều trong lĩnh vực tài chính và thị trường chứng khoán vì nó có tính dự báo cao.  Phân cụm (clustering/segmentation): xếp các đối tượng theo từng cụm (số lượng cũng như tên của cụm chưa được biết trước. Phân cụm còn được gọi là học không giám sát (học không có thầy – unsupervised learning).

 Phân tích bất thường (ngoại lai): Phát hiện sự bất thường của dữ liệu: đối tượng dữ liệu không tuân theo hành vi chung của toàn bộ dữ liệu nhằm phát hiện gian lận hoặc phân tích các sự kiện hiếm… 1. Các dạng dữ liệu có thể khai phá Khai phá dữ liệu là kết hợp của nhiều lĩnh vực khoa học, xử lý nhiều nhiều kiểu dữ liệu khác nhau [4]. Sau đây là một số kiểu dữ liệu điển hình:  CSDL quan hệ (relational databases)  CSDL đa chiều (multidimensional structures, data warehouses)  CSDL dạng giao dịch (transactional databases)  CSDL quan hệ - hướng đối tượng (object-relational databases)  Dữ liệu không gian và thời gian (spatial and temporal data)  Dữ liệu chuỗi thời gian (time-series data) Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 17  CSDL đa phương tiện (multimedia databases) như âm thanh (audio), hình ảnh (image), phim ảnh (video),.  Dữ liệu Text và Web (text database & www) 1.

Các ứng dụng của khai phá dữ liệu Khai phá dữ liệu được vận dụng để giải quyết các vấn đề thuộc nhiều lĩnh vực khác nhau. Chẳng hạn như giải quyết các bài toán phức tạp trong các ngành đòi hỏi kỹ thuật cao, như tìm kiếm mỏ dầu từ ảnh viễn thám, cảnh báo hỏng hóc trong các hệ thống sản xuất; quy hoạch và phát triển các hệ thống quản lý và sản xuất trong thực tế như dự đoán tải sử dụng điện, mức độ tiêu thụ sản phẩm, phân nhóm khách hàng; áp dụng cho các vấn đề xã hội như phát hiện tội phạm, tăng cường an ninh… Có thể liệt kê ra đây một số ứng dụng điển hình như:  Phân tích dữ liệu và hỗ trợ ra quyết định (data analysis & decision support)  Điều trị y học (medical treatment): mối liên hệ giữa triệu chứng, chẩn đoán và phương pháp điều trị (chế độ dinh dưỡng, thuốc men, phẫu thuật, …).  Text mining & Web mining: phân lớp văn bản và các trang web, tóm tắt văn bản,.  Tin-sinh (bio-informatics): tìm kiếm, đối sánh các hệ gene và thông tin di truyền, mối liên hệ giữa một số hệ gene và một số bệnh di truyền,.

 Tài chính và thị trường chứng khoán (finance & stock market): phân tích tình hình tài chính và dự báo giá của các loại cổ phiếu trong thị trường chứng khoán,. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 18 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.