Luận văn Thạc sĩ: Phương pháp trích rút luật mờ phân lớp dựa trên đại số gia tử và ứng dụng

Luận văn thạc sĩ luật học phân tích phương pháp trích rút các luật mờ phân lớp dựa trên đại số gia tử và ứng dụng, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi

• Tác giả: Vũ Đức Hải
• Người hướng dẫn: TS. Dương Thăng Long
• Trường học: Trường Đại Học Công Nghệ Thông Tin Và Truyền Thông - Đại Học Thái Nguyên
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Phương Pháp Trích Rút Các Luật Mờ Phân Lớp Dựa Trên Đại Số Gia Tử Và Ứng Dụng
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI NÓI ĐẦU
• 1. CHƢƠNG 1: KIẾN THỨC CƠ BẢN VỀ HỆ MỜ VÀ LẬP LUẬN XẤP XỈ
• 1.1. Khái quát về lập luận xấp xỉ (lập luận mờ)
• 1.2. Định nghĩa tập mờ
• 1.3. Số mờ
• 1.4. Khái niệm về phân hoạch mờ (fuzzy partition)
• 1.5. Các phép tính trên tập mờ Zadeh
• 1.5.1. Các phép toán tập hợp
• 1.5.2. Phép phủ định
• 1.5.3. Phép hội
• 1.5.4. Phép tuyển
• 1.5.5. Phép kéo theo
• 1.6. Biến ngôn ngữ
• 1.7. Suy luận xấp xỉ (suy luận mờ)
• 1.8. Một số vấn đề cơ bản trong Đại số gia tử
• 1.8.1. Đại số gia tử
• 1.8.2. Tính chất của đại số gia tử tuyến tính
• 1.8.2.1. Tính thứ tự ngữ nghĩa của các hạng từ
• 1.8.2.2. So sánh hai hạng từ trong miền ngôn ngữ
• 1.8.2.3. Vấn đề định lƣợng ngữ nghĩa trong đại số gia tử
• 2. Phương pháp trích rút luật mờ phân lớp dựa trên đại số gia tử
• 3. Cài đặt thử nghiệm và đánh giá

Tóm tắt

I. Tổng quan phương pháp trích rút luật mờ phân lớp hiệu quả

Trong lĩnh vực khai phá dữ liệu, bài toán phân lớp là một trong những nhiệm vụ cốt lõi, thu hút sự quan tâm của nhiều nhà nghiên cứu. Mục tiêu chính là xây dựng một mô hình có khả năng dự đoán nhãn lớp cho các mẫu dữ liệu mới dựa trên một tập dữ liệu đã được gán nhãn trước đó. Một trong những phương pháp nổi bật để giải quyết bài toán này là sử dụng hệ mờ phân lớp dạng luật (FRBCS). Ưu điểm vượt trội của mô hình này nằm ở khả năng cung cấp tri thức dưới dạng các luật “Nếu-Thì” (If-Then), vốn rất tường minh, dễ hiểu và gần gũi với cách tư duy của con người. Tuy nhiên, việc xây dựng một hệ luật hiệu quả là một thách thức không nhỏ. Phương pháp trích rút luật mờ phân lớp dựa trên Đại số gia tử (ĐSGT) ra đời như một giải pháp đột phá. Thay vì sử dụng các phương pháp phân hoạch mờ truyền thống, cách tiếp cận này tận dụng cấu trúc ngữ nghĩa của ngôn ngữ tự nhiên để tạo ra một hệ thống phân lớp vừa chính xác, vừa tinh gọn. Đại số gia tử cung cấp một khung toán học vững chắc để mô hình hóa các biến ngôn ngữ và các gia tử (ví dụ: rất, hơi, khá), cho phép tạo ra các hạng từ có ngữ nghĩa rõ ràng và có trật tự. Quá trình trích rút luật mờ phân lớp từ đây trở nên có hệ thống hơn, giúp giảm thiểu số lượng luật sinh ra mà vẫn đảm bảo độ phủ và tính chính xác cao. Việc ứng dụng Đại số gia tử không chỉ giúp tối ưu hóa hiệu quả phân lớp mà còn tăng cường tính giải thích được của mô hình, một yếu tố cực kỳ quan trọng trong các hệ thống hỗ trợ ra quyết định.

1.1. Giới thiệu về bài toán phân lớp trong khai phá dữ liệu

Bài toán phân lớp là một nhiệm vụ trung tâm trong khai phá dữ liệu và học máy. Về cơ bản, bài toán yêu cầu xây dựng một mô hình (bộ phân lớp) từ một tập dữ liệu huấn luyện. Tập dữ liệu này chứa các mẫu, mỗi mẫu bao gồm một vector thuộc tính và một nhãn lớp xác định trước. Mục tiêu của mô hình là có thể dự đoán chính xác nhãn lớp cho các mẫu dữ liệu chưa từng thấy trước đây. Các ứng dụng của bài toán phân lớp rất đa dạng, từ chẩn đoán y khoa, phát hiện thư rác, nhận dạng khuôn mặt cho đến phân loại tín dụng. Một mô hình phân lớp tốt phải thỏa mãn hai tiêu chí chính: độ chính xác cao trên dữ liệu mới và khả năng giải thích được (interpretability). Khả năng giải thích giúp người dùng hiểu tại sao mô hình lại đưa ra một quyết định cụ thể, tạo dựng niềm tin và cho phép tinh chỉnh hệ thống tốt hơn.

1.2. Vai trò của hệ mờ phân lớp dạng luật FRBCS

Hệ mờ phân lớp dạng luật (Fuzzy Rule-Based Classification Systems - FRBCS) là một cách tiếp cận mạnh mẽ cho bài toán phân lớp. Thay vì các ranh giới phân lớp cứng nhắc, FRBCS sử dụng logic mờ và các biến ngôn ngữ để mô tả dữ liệu một cách linh hoạt hơn. Thế mạnh cốt lõi của FRBCS là tri thức được biểu diễn dưới dạng các luật mờ, ví dụ: "Nếu Ngoại ngữ là Giỏi VÀ Chuyên môn là Vững THÌ Khả năng trúng tuyển là Cao". Các luật này mô phỏng quá trình lập luận xấp xỉ của con người, giúp mô hình trở nên trong suốt và dễ hiểu. Như trong tài liệu gốc đề cập, mục tiêu kép khi xây dựng FRBCS là "hiệu quả phân lớp của hệ càng cao càng tốt" và "tính phức tạp của hệ đồng thời càng nhỏ càng tốt". Việc cân bằng giữa độ chính xác và sự đơn giản là chìa khóa để tạo ra một hệ thống hữu ích trong thực tế.

1.3. Đại số gia tử Một hướng tiếp cận mới mẻ và tiềm năng

Để giải quyết các thách thức của FRBCS truyền thống, Đại số gia tử (ĐSGT) được đề xuất như một phương pháp tiên tiến. Lý thuyết này, được đề cập chi tiết trong luận văn, cung cấp một cấu trúc đại số để hình thức hóa các miền giá trị của biến ngôn ngữ. Nó không chỉ định nghĩa các giá trị ngôn ngữ (hạng từ) như "cao", "thấp" mà còn cả các toán tử sửa đổi (gia tử) như "rất", "hơi". Bằng cách này, Đại số gia tử cho phép sinh ra một tập hợp các giá trị ngôn ngữ có thứ tự ngữ nghĩa tự nhiên, tạo ra một cơ sở vững chắc cho việc phân hoạch không gian thuộc tính và trích rút luật mờ phân lớp một cách có hệ thống. Cách tiếp cận này hứa hẹn tạo ra các hệ luật vừa tinh gọn, hiệu quả, vừa tường minh.

II. Thách thức chính trong việc xây dựng hệ mờ phân lớp

Việc xây dựng một hệ mờ phân lớp dạng luật hiệu quả phải đối mặt với nhiều thách thức cố hữu, ảnh hưởng trực tiếp đến độ chính xác và tính khả dụng của mô hình. Một trong những vấn đề lớn nhất là sự bùng nổ tổ hợp của số lượng luật. Khi sử dụng phương pháp phân hoạch dạng lưới (grid-partition) truyền thống, số lượng luật có thể tăng theo cấp số nhân với số lượng thuộc tính và số lượng giá trị ngôn ngữ trên mỗi thuộc tính. Điều này dẫn đến một hệ thống cồng kềnh, khó quản lý và tốn kém về mặt tính toán. Luận văn đã chỉ ra rằng, "kích thước tập S0 [tập luật ban đầu] có khả năng rất lớn", gây ra "nguy cơ nhiễu loạn thông tin trong quá trình phân lớp". Một thách thức khác liên quan đến việc định nghĩa các hàm thuộc. Việc xác định hình dạng và các tham số của hàm thuộc (ví dụ: tam giác, hình thang) thường mang tính chủ quan hoặc đòi hỏi các thuật toán tối ưu phức tạp. Nếu các hàm thuộc của các giá trị ngôn ngữ gần nhau bị trùng lặp quá nhiều, khả năng phân biệt của hệ thống sẽ giảm. Ngược lại, nếu chúng quá tách biệt, mô hình có thể không đủ linh hoạt để xử lý sự không chắc chắn trong dữ liệu. Cuối cùng, việc cân bằng giữa tính tổng quát và tính đặc thù của luật là một bài toán khó. Các luật quá chung chung có thể tăng khả năng dự đoán nhưng dễ gây sai số, trong khi các luật quá chi tiết lại làm giảm khả năng áp dụng cho dữ liệu mới. Giải quyết những thách thức này là mục tiêu chính của phương pháp trích rút luật mờ phân lớp dựa trên Đại số gia tử.

2.1. Vấn đề bùng nổ số lượng luật mờ sinh ra

Một trong những trở ngại lớn nhất khi thiết kế hệ mờ phân lớp dạng luật là số lượng luật được tạo ra. Các phương pháp sinh luật dựa trên lưới phân hoạch mờ thường tạo ra một luật cho mỗi "siêu hộp" trong không gian thuộc tính có chứa dữ liệu. Như luận văn mô tả, "mỗi (Aq,1, …, Aq,n) trong Hs [không gian siêu hộp] sẽ dùng để xây dựng một luật mờ". Khi số thuộc tính hoặc số mức phân hoạch tăng lên, số siêu hộp và do đó số luật tiềm năng sẽ tăng theo cấp số nhân. Một hệ thống có quá nhiều luật không chỉ làm tăng độ phức tạp tính toán mà còn có thể chứa các luật nhiễu, dư thừa hoặc mâu thuẫn, làm giảm hiệu suất tổng thể. Việc tìm kiếm một tập con các luật tối ưu từ một không gian luật khổng lồ là một bài toán NP-khó.

2.2. Khó khăn trong việc định nghĩa hàm thuộc và phân hoạch mờ

Chất lượng của một hệ mờ phụ thuộc rất nhiều vào cách các hàm thuộc được định nghĩa. Việc lựa chọn dạng hàm (tam giác, Gauss) và các tham số của chúng (đỉnh, chân) ảnh hưởng trực tiếp đến cách dữ liệu được "mờ hóa". Trong nhiều phương pháp, quá trình này đòi hỏi sự can thiệp của chuyên gia hoặc sử dụng các thuật toán điều chỉnh tham số phức tạp. Luận văn cũng đề cập đến các phương pháp phân hoạch như dạng lưới (grid-partition) hoặc theo phân bố dữ liệu (scatter-partition). Phân hoạch dạng lưới thì đơn giản nhưng không linh hoạt với sự phân bố thực tế của dữ liệu, trong khi phân hoạch theo dữ liệu lại phức tạp hơn trong việc triển khai. Việc xác định một phương pháp phân hoạch mờ tối ưu vẫn là một câu hỏi mở.

2.3. Cân bằng giữa độ chính xác và tính tường minh của mô hình

Mục tiêu kép của hệ mờ phân lớp dạng luật là đạt được độ chính xác cao và tính tường minh (dễ hiểu). Tuy nhiên, hai mục tiêu này thường mâu thuẫn với nhau. Để tăng độ chính xác, các mô hình thường trở nên phức tạp hơn, với số lượng luật lớn và các điều kiện phức tạp trong mỗi luật. Điều này làm giảm tính tường minh, đi ngược lại với ưu điểm chính của logic mờ. Ngược lại, một hệ thống quá đơn giản với ít luật có thể dễ hiểu nhưng lại không đủ mạnh để nắm bắt các quy luật phức tạp trong dữ liệu, dẫn đến hiệu suất phân lớp thấp. Như luận văn nhấn mạnh, các phương pháp giải quyết đều phải "thỏa hiệp giữa các mục tiêu để đạt được kết quả cuối cùng".

III. Đại số gia tử Giải pháp mô hình hóa ngữ nghĩa ngôn ngữ

Để vượt qua các thách thức của hệ mờ truyền thống, Đại số gia tử (ĐSGT) cung cấp một nền tảng toán học chặt chẽ để mô hình hóa và xử lý các biến ngôn ngữ. Về bản chất, Đại số gia tử là một cấu trúc đại số được định nghĩa bởi bộ bốn thành phần AX = (Dom(X), G, H, ≤), trong đó Dom(X) là miền giá trị ngôn ngữ, G là tập các phần tử sinh (ví dụ: thấp, trung bình, cao), H là tập các gia tử (ví dụ: rất, hơi, khá), và ≤ là quan hệ thứ tự ngữ nghĩa. Cấu trúc này cho phép sinh ra một cách có hệ thống một tập hợp phong phú các hạng từ (giá trị ngôn ngữ) từ một tập sinh và tập gia tử nhỏ. Ví dụ, từ hạng từ "HOT" và gia tử "Very", ta có thể sinh ra "Very HOT", và quan hệ thứ tự ngữ nghĩa đảm bảo "HOT < Very HOT". Một khái niệm quan trọng trong ĐSGT là định lượng ngữ nghĩa (SQM). Thay vì định nghĩa các hàm thuộc một cách tùy ý, ĐSGT cung cấp phương pháp để tính toán giá trị định lượng (một con số thực) cho mỗi hạng từ, dựa trên các tham số mờ được xác định trước. Giá trị này, ký hiệu là υ(x), phản ánh vị trí ngữ nghĩa của hạng từ x trong miền giá trị. Hơn nữa, khoảng tính mờ của mỗi hạng từ cũng được xác định một cách hệ thống, tạo thành một phân hoạch trên toàn bộ miền giá trị. Cách tiếp cận này giúp việc trích rút luật mờ phân lớp trở nên khách quan và tự động hơn, giảm sự phụ thuộc vào chuyên gia và tạo ra các hệ luật nhất quán, có cấu trúc.

3.1. Cấu trúc và các thành phần cốt lõi của Đại số gia tử

Đại số gia tử được định nghĩa là một cấu trúc AX = (X, G, H, ≤). Trong đó, X là miền giá trị của một biến ngôn ngữ; G là tập các phần tử sinh, là những hạng từ cơ sở như {0, SMALL, W, BIG, 1} (với 0 là bé nhất, 1 là lớn nhất, W là trung hòa); H là tập các gia tử, được chia thành gia tử dương H+ (làm tăng ngữ nghĩa, ví dụ: More, Very) và gia tử âm H- (làm giảm ngữ nghĩa, ví dụ: Possible, Little). Quan hệ ≤ xác định thứ tự ngữ nghĩa giữa các hạng từ, ví dụ Little BIG < BIG < More BIG. Cấu trúc này cho phép mô hình hóa một cách tự nhiên và chính xác cách con người sử dụng ngôn ngữ để mô tả các khái niệm, tạo nền tảng vững chắc cho việc xây dựng các hệ thống dựa trên tri thức.

3.2. Phương pháp định lượng ngữ nghĩa SQM cho các hạng từ

Một trong những đóng góp quan trọng của Đại số gia tử là phương pháp định lượng ngữ nghĩa (Semantics Quantifying Mapping - SQM). Phương pháp này ánh xạ mỗi hạng từ trong miền ngôn ngữ sang một giá trị số thực trong đoạn [0, 1]. Việc định lượng này không phải tùy ý mà dựa trên các tham số mờ của các gia tử và các phần tử sinh, đảm bảo rằng thứ tự của các giá trị số phản ánh đúng thứ tự ngữ nghĩa của các hạng từ. Theo luận văn, hàm định lượng υ phải thỏa mãn các ràng buộc như υ(x) < υ(y) nếu x < y. Điều này cho phép chuyển đổi từ không gian ngôn ngữ định tính sang không gian số định lượng một cách nhất quán, tạo điều kiện thuận lợi cho các bước tính toán tiếp theo trong quá trình phân lớp.

3.3. Xây dựng hệ khoảng tính mờ và phân hoạch miền giá trị

Dựa trên kết quả của định lượng ngữ nghĩa, Đại số gia tử cho phép xây dựng một hệ thống các khoảng tính mờ. Mỗi hạng từ x sẽ tương ứng với một khoảng ℑ(x) trên trục số. Tập hợp các khoảng tính mờ của các hạng từ ở cùng một "mức độ chi tiết" (độ dài k) sẽ tạo thành một phân hoạch của toàn bộ miền giá trị [0, 1]. Luận văn mô tả thuật toán để sinh hệ phân hoạch này một cách đệ quy. Ví dụ, khoảng tính mờ của hạng từ "HOT" sẽ được phân hoạch thành các khoảng nhỏ hơn của "Little HOT", "More HOT", "Very HOT". Hệ phân hoạch này thay thế cho lưới phân hoạch mờ (grid-partition) truyền thống, mang lại sự linh hoạt và phù hợp hơn với cấu trúc ngữ nghĩa của dữ liệu.

IV. Hướng dẫn trích rút luật mờ phân lớp từ Đại số gia tử

Phương pháp trích rút luật mờ phân lớp dựa trên Đại số gia tử là một quy trình có cấu trúc, bao gồm hai giai đoạn chính: sinh các giá trị ngôn ngữ và hàm định lượng, sau đó là sinh hệ luật mờ. Đầu tiên, với mỗi thuộc tính của bài toán, một Đại số gia tử được xây dựng với các tham số mờ như fm(c-), fm(c+) và µ(h). Từ các tham số này, thuật toán sẽ sinh ra một hệ phân hoạch các khoảng tính mờ trên miền giá trị của thuộc tính ở một mức phân hoạch k xác định trước. Mỗi khoảng tính mờ này tương ứng với một hạng từ (giá trị ngôn ngữ). Dựa trên các khoảng này, các hàm thuộc dạng tam giác được thiết kế một cách tự động, với đỉnh của mỗi hàm nằm tại tâm giá trị định lượng của hạng từ tương ứng. Giai đoạn thứ hai là quá trình sinh luật. Luận văn giới thiệu thuật toán IFRG (Interval-based Fuzzy Rule Generation). Thuật toán này duyệt qua từng mẫu dữ liệu trong tập huấn luyện. Với mỗi mẫu, nó xác định vế trái của một luật tiềm năng bằng cách tìm các hạng từ mà khoảng tính mờ của chúng chứa giá trị thuộc tính tương ứng của mẫu đó. Sau khi có vế trái, vế phải (nhãn lớp) của luật được xác định bằng cách chọn lớp có độ tin cậy cao nhất đối với vế trái đó. Quá trình này đảm bảo rằng mỗi luật được sinh ra đều được "hỗ trợ" bởi ít nhất một mẫu dữ liệu, giúp loại bỏ các luật không liên quan và giảm đáng kể kích thước của tập luật so với phương pháp lưới phân hoạch truyền thống. Kết quả là một hệ luật mờ S0 ban đầu, sẵn sàng cho các bước tối ưu hóa tiếp theo.

4.1. Sinh tập giá trị ngôn ngữ và hàm định lượng tự động

Quá trình bắt đầu bằng việc thiết lập các tham số mờ gia tử cho mỗi thuộc tính. Dựa trên các tham số này và mức phân hoạch kj mong muốn, thuật toán sẽ tự động sinh ra tập các hạng từ Xkj và hệ phân hoạch các khoảng tính mờ Ik tương ứng. Sau đó, các hàm thuộc được xây dựng. Luận văn đề xuất sử dụng hàm dạng tam giác, trong đó tâm của mỗi hạng từ đóng vai trò là đỉnh của hàm thuộc, và tâm của hai hạng từ lân cận đóng vai trò là chân. Công thức tính toán được đưa ra một cách rõ ràng, ví dụ: μ(v) = max( (v - υ(xi-1)) / (υ(xi) - υ(xi-1)), 0). Cách tiếp cận này đảm bảo các hàm thuộc được tạo ra một cách nhất quán, có trật tự và tạo thành một phân hoạch mờ hợp lệ trên miền thuộc tính, loại bỏ sự chủ quan trong thiết kế.

4.2. Thuật toán sinh luật dựa trên hệ khoảng tính mờ IFRG

Thuật toán IFRG (Interval-based Fuzzy Rule Generation) là trọng tâm của phương pháp. Thuật toán này hoạt động theo các bước sau: (1) Với mỗi mẫu dữ liệu pi trong tập huấn luyện, xác định vế trái của luật Aq bằng cách tìm các giá trị ngôn ngữ Aij sao cho giá trị thuộc tính di,j của mẫu pi nằm trong khoảng tính mờ ℑ(Aij). (2) Tạo ra một luật tiềm năng có dạng Aq ⇒ Ch, trong đó Ch là nhãn lớp. (3) Xác định kết luận Cq cho vế trái Aq bằng cách tính độ tin cậy c(Aq ⇒ Ch) cho tất cả các lớp và chọn lớp có độ tin cậy lớn nhất. Phương pháp này chỉ sinh ra các luật được dữ liệu "chứng thực", giúp hệ luật cuối cùng trở nên tinh gọn và phù hợp với đặc điểm của tập dữ liệu huấn luyện.

4.3. Đánh giá và lựa chọn luật mờ tối ưu cho hệ thống

Sau khi thuật toán IFRG sinh ra tập luật ban đầu S0, bước tiếp theo là đánh giá và lựa chọn các luật tốt nhất. Mỗi luật được đánh giá dựa trên các tiêu chí như độ tin cậy (confidence) và độ hỗ trợ (support). Luận văn cũng đề cập đến các phương pháp tính trọng số cho luật (CF - Certainty Factor) để phân biệt mức độ quan trọng giữa các luật. Ví dụ, trọng số CF3(Aq ⇒ Cq) = cq – cq,2nd được tính bằng cách lấy độ tin cậy của luật trừ đi độ tin cậy lớn thứ hai của các luật có cùng vế trái nhưng khác kết luận. Các luật sau đó có thể được sàng lọc dựa trên một ngưỡng tiêu chuẩn lựa chọn (SR) để tạo thành hệ luật cuối cùng. Quá trình này giúp tối ưu hóa sự cân bằng giữa độ chính xác và độ phức tạp của mô hình phân lớp.

V. Phân tích ứng dụng thực tiễn trong bài toán phân lớp Ecoli

Để kiểm chứng hiệu quả của phương pháp trích rút luật mờ phân lớp dựa trên Đại số gia tử, luận văn đã tiến hành cài đặt và thử nghiệm trên các bộ dữ liệu thực tế từ kho lưu trữ của UCI. Một ví dụ tiêu biểu là bài toán phân loại vị trí protein của vi khuẩn Ecoli. Bài toán này bao gồm 336 mẫu dữ liệu, 7 thuộc tính số và 8 lớp khác nhau, là một thử thách đáng kể do sự mất cân bằng giữa số lượng mẫu trong các lớp. Trong thử nghiệm, mô hình được xây dựng bằng thuật toán IFRG1 với các tham số mờ gia tử được thiết lập cụ thể cho từng thuộc tính và mức phân hoạch k được lựa chọn phù hợp. Hệ thống được lập trình bằng ngôn ngữ Java. Kết quả thực nghiệm cho thấy phương pháp này đạt được hiệu quả phân lớp rất khả quan. Cụ thể, hệ thống đã sinh ra 85 luật mờ để phân loại. Tỉ lệ phân lớp đúng đạt 77.08%, với 259 mẫu được phân loại chính xác trên tổng số 336 mẫu. Tỉ lệ lỗi là 22.92% (77/336 mẫu). Kết quả này cho thấy khả năng áp dụng của phương pháp trong các bài toán khai phá dữ liệu phức tạp. Hơn nữa, hệ thống 85 luật là tương đối tinh gọn, giúp người dùng (ví dụ: các nhà sinh học) có thể kiểm tra và hiểu được các quy luật mà mô hình đã học được, thể hiện rõ ưu điểm về tính tường minh của hệ mờ phân lớp dạng luật xây dựng từ Đại số gia tử.

5.1. Mô tả bài toán và bộ dữ liệu Ecoli từ UCI

Bài toán Ecoli, được tạo bởi Kenta Nakai, nhằm mục đích dự đoán vị trí nội bào của protein trong vi khuẩn E.coli. Bộ dữ liệu gồm 336 mẫu, mỗi mẫu được mô tả bởi 7 thuộc tính, bao gồm các chỉ số sinh hóa như MCG, GVH, AAC, ALM1. Dữ liệu được phân thành 8 lớp, chẳng hạn như cp (cytoplasm), im (inner membrane), pp (perisplasm),... Một đặc điểm của bộ dữ liệu này là sự phân bố không đồng đều giữa các lớp, với lớp cp chiếm đa số (143 mẫu) trong khi các lớp như imL và imS chỉ có 2 mẫu. Đây là một thách thức điển hình trong các bài toán phân lớp thực tế.

5.2. Cài đặt thực nghiệm và thiết lập các tham số mờ

Luận văn đã triển khai thuật toán bằng ngôn ngữ Java. Để áp dụng phương pháp, các tham số mờ gia tử đã được định nghĩa cho 7 thuộc tính của bài toán Ecoli. Ví dụ, với thuộc tính MCG, các tham số được đặt là fm(c-) = 0.4, fm(c+) = 0.6, µ(L) = 0.3, µ(V) = 0.7, và mức phân hoạch k = 3. Việc thiết lập các tham số này cho phép hệ thống tự động sinh ra các hàm thuộc và các khoảng tính mờ phù hợp cho từng thuộc tính. Phương pháp lập luận được sử dụng là "chọn một luật thắng" (single winner rule), trong đó mẫu dữ liệu sẽ được gán cho lớp của luật có mức kích hoạt cao nhất.

5.3. Kết quả phân lớp và đánh giá hiệu quả của mô hình

Kết quả chạy chương trình cho thấy mô hình đã sinh ra 85 luật mờ. Khi áp dụng hệ luật này để phân lớp cho toàn bộ 336 mẫu dữ liệu, mô hình đã phân loại đúng 259 mẫu, đạt tỷ lệ chính xác là 77.08%. Đây là một kết quả cạnh tranh, cho thấy phương pháp trích rút luật mờ phân lớp dựa trên Đại số gia tử không chỉ là một lý thuyết trừu tượng mà còn có khả năng ứng dụng thực tiễn mạnh mẽ. Việc tạo ra một hệ thống có độ chính xác tốt với số lượng luật tương đối nhỏ (85 luật) đã chứng minh được khả năng giải quyết bài toán cân bằng giữa hiệu quả và tính tường minh của phương pháp.

VI. Đánh giá ưu điểm và tương lai của luật mờ phân lớp ĐSGT

Phương pháp trích rút luật mờ phân lớp dựa trên Đại số gia tử (ĐSGT) mang lại nhiều ưu điểm vượt trội so với các cách tiếp cận truyền thống. Ưu điểm nổi bật nhất là khả năng tạo ra một hệ luật tinh gọn và có ý nghĩa. Bằng cách sinh luật dựa trên các khoảng tính mờ được chứng thực bởi dữ liệu, phương pháp này tránh được sự bùng nổ tổ hợp luật, giúp mô hình cuối cùng đơn giản và dễ hiểu hơn. Thứ hai, việc tự động hóa quá trình sinh các hàm thuộc và phân hoạch mờ dựa trên cấu trúc ngữ nghĩa của ĐSGT làm giảm tính chủ quan và sự phụ thuộc vào chuyên gia. Điều này giúp tăng tính khách quan và khả năng tái lặp của mô hình. Thứ ba, kết quả thực nghiệm trên các bộ dữ liệu chuẩn như Ecoli đã chứng minh hiệu quả phân lớp cao của phương pháp, cho thấy nó có thể cạnh tranh với các thuật toán phức tạp khác trong khi vẫn duy trì được tính tường minh. Về định hướng phát triển trong tương lai, phương pháp này có thể được mở rộng và cải tiến theo nhiều hướng. Một hướng tiềm năng là kết hợp với các thuật toán tối ưu (như giải thuật di truyền) để tự động tìm kiếm bộ tham số mờ gia tử tối ưu cho từng bài toán cụ thể, thay vì phải thiết lập thủ công. Hướng khác là nghiên cứu áp dụng mô hình này cho các loại dữ liệu phức tạp hơn như dữ liệu chuỗi thời gian hay dữ liệu hình ảnh. Tóm lại, trích rút luật mờ phân lớp dựa trên Đại số gia tử là một hướng đi đầy hứa hẹn, mở ra tiềm năng lớn trong việc xây dựng các hệ thống thông minh, chính xác và đáng tin cậy.

6.1. Ưu điểm về tính tinh gọn và tường minh của hệ luật

So với phương pháp lưới phân hoạch, phương pháp dựa trên ĐSGT chỉ tạo ra các luật tương ứng với những vùng trong không gian thuộc tính thực sự có dữ liệu. Điều này giúp loại bỏ một số lượng lớn các luật không cần thiết. Kết quả là một hệ mờ phân lớp dạng luật có kích thước nhỏ gọn hơn đáng kể. Mỗi luật đều có cơ sở từ dữ liệu thực tế, làm tăng tính tin cậy và giúp người dùng dễ dàng diễn giải ý nghĩa của chúng. Đây là một lợi thế cực kỳ lớn trong các lĩnh vực yêu cầu tính giải trình cao như y tế hay tài chính.

6.2. Hiệu quả phân lớp và khả năng ứng dụng thực tiễn

Như đã chứng minh qua thử nghiệm với bài toán Ecoli và các bài toán khác, phương pháp này không chỉ mang tính lý thuyết mà còn đạt được hiệu suất phân lớp tốt trong thực tế. Khả năng xử lý các thuộc tính số và tạo ra các quy luật phân lớp hiệu quả cho thấy tiềm năng ứng dụng rộng rãi của nó trong nhiều lĩnh vực khai phá dữ liệu. Việc mô hình hóa sự không chắc chắn và mơ hồ thông qua lập luận xấp xỉ dựa trên nền tảng ĐSGT giúp hệ thống có khả năng thích ứng tốt với dữ liệu thực tế, vốn thường nhiễu và không đầy đủ.

6.3. Hướng phát triển và các nghiên cứu mở trong tương lai

Tương lai của phương pháp này rất rộng mở. Nghiên cứu có thể tập trung vào việc tối ưu hóa các tham số mờ bằng các kỹ thuật học máy tiên tiến để nâng cao hơn nữa độ chính xác. Một hướng khác là phát triển các phương pháp lựa chọn thuộc tính tích hợp trực tiếp vào quá trình sinh luật dựa trên ĐSGT, giúp mô hình trở nên hiệu quả hơn nữa với dữ liệu nhiều chiều. Ngoài ra, việc mở rộng Đại số gia tử để xử lý các loại hình không chắc chắn khác ngoài tính mờ, như tính ngẫu nhiên hay tính không đầy đủ, cũng là một lĩnh vực nghiên cứu đầy hứa hẹn và thách thức.

Trích đoạn nội dung tài liệu

Chương 1. Kiến thức cơ bản về hệ mờ và lập luận xấp xỉ. Phương pháp trích rút luật mờ phân lớp dựa trên đại số gia tử. Cài đặt thử nghiệm và đánh giá.

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 5 CHƢƠNG 1: KIẾN THỨC CƠ BẢN VỀ HỆ MỜ VÀ LẬP LUẬN XẤP XỈ 1. Khái quát về lập luận xấp xỉ (lập luận mờ) Từ năm 1965 Zadeh đưa ra lý thuyết tập mờ, logic mờ nhưng phải đến những thập niên cuối của thế kỷ XX lý thuyết tập mờ, logic mờ mới được đặc biệt quan tâm nghiên cứu và ứng dụng vào trong lý thuyết điều khiển, hệ thống và trí tuệ nhân tạo. Tập mờ và logic mờ dựa trên các suy luận của con người về các thông tin không đầy đủ để hiểu biết và điều khiển hệ thống. Điều khiển mờ chính là mô phỏng cách xử lý thông tin và điều khiển của con người đối với các đối tượng, do vậy điều khiển mờ đã giải quyết thành công rất nhiều vấn đề điều khiển phức tạp trước đây chưa giải quyết được.

Định nghĩa tập mờ Định nghĩa 1.1: [4] Cho tập vũ trụ U với các phần tử ký hiệu bởi x, U={x}. Một tập mờ A trên U là tập được đặc trưng bở một hàm (x) mà nó liên kết mỗi phần tử x U với một số thực trong đoạn [0,1]. Giá trị hàm (x) biểu diễn mức độ thuộc của x trong A. Hay A được gọi là tập mờ khi và chỉ khi: A = {(x, (x) x U, (x): U [0,1]} (1) Trong đó (x) được gọi là hàm thuộc của tập mờ A.

Giá trị hàm (x) càng gần tới 1 thì mức độ thuộc của x trong A càng cao. Tập mờ là sự mở rộng của khái niệm tập hợp kinh điển. Khi A là tập hợp kinh điển thì A có thể được biểu diễn như sau Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 6 A = {(x, (x) x U, (x): U {0,1}} (2) Khi đó hàm thuộc (x) chỉ nhận hai giá trị 0 và 1. Số mờ Định nghĩa 1.2: [4] Tập mờ A trên đường thẳng số thực R là một số mờ, nếu: 1.A chuẩn hóa, tức là có điểm x’ sao cho (x’) = 1.

Ứng với mỗi R, tập mức {x: (x) } là đoạn đóng trên R. (x) là hàm liên tục. Một số dạng số mờ thường được sử dụng là số mờ dạng tam giác, hình thang và dạng hàm Gauss. Số mờ dạng tam giác được xác định bởi 3 tham số.

Khi đó hàm thuộc của sô mờ tam giác A(a, b, c) cho bởi: 1  0 a z b c z Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : skknchat@gmail.Số mờ hình thang A(a, b, c, d) được sác định bởi 4 tham số và hàm thuộc cho bởi: 1 0 z a b c d c.Số mờ dạng hàm Gauss có hàm thuộc cho bởi: Trong đó là số dương được chọn thích hợp. 1  0 z Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 8 Khái niệm về phân hoạch mờ (fuzzy partition) cũng là một trong khái niệm quan trọng trong việc tiếp cận giải quyết bài toán phân lớp. Định nghĩa phân hoạch mờ Theo [4] Cho p điểm cố định m1<m2<…<mp trong tập U = [a, b] R. Khi đó tập gồm p tập mờ A1, A2,…, Ap(với , , …, là các hàm thuộc tương ứng) định nghĩa trên U được gọi là một phân hoạch mờ của U nếu các điều kiện sau thỏa mãn, k=1,…,p: 1) (mk) = 1 (mk được gọi là một điểm trong nhân của Ak); 2) Nếu x [mk-1, mk+1], = 0 (trong đó m0 = m1 = a và mp+1 = mp =b); 3) (x) liên tục 4) (x) đơn điệu tăng trên [mk-1, mk] và đơn điệu giảm trên [mk,mk+1]; 5) U, , sao cho (x) > 0 (tất cả mọi điểm trong U đều thuộc một lớp của phân hoạch này với độ thuộc nào đó khác 0) 1.4 Các phép tính trên tập mờ Zadeh 1.1 Các phép toán tập hợp: Cho A, B là 2 tập mờ trên cùng tập nền U: Phép giao (Intersection): Phép giao của tập A và B là tập mờ C được định nghĩa như sau: C = A B = {(x, (x))| x U, (x) = min{ (x), (x)}} Ví dụ: Cho U = {1, 2, 3, 4, 5} và hai tập mờ A, B như sau: A = {(1,0), (2,1), (3,0.2)} Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : skknchat@gmail.2 Phép phủ định: Phủ định (negation) là một trong những phép toán logic cơ bản.

Để suy rộng chúng ta cần tới toán tử v(Not P) xác định giá trị chân lý của Not P đối với mệnh đề P. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 10 Định nghĩa: Hàm n: [0, 1]  [0, 1] không tăng thoả mãn các điều kiện n(0) = 1, n(1) =0 gọi là hàm phủ định. Hàm n là phép phủ định mạnh, nếu n giảm chặt và n(n(x)) = x với mỗi x Ví dụ: n(x) = 1- x, n(x) = 1- x2 1.3 Phép hội: Phép hội (vẫn quen gọi là phép AND – conjunction) là một trong những phép toán cơ bản nhất. Nó cũng là cơ sở để định nghĩa phép giao của hai tập mờ.4 Phép tuyển: Giống như phép hội, phép tuyển hay toán tử logic OR thông thường cần thoả mãn các tính chất sau: Định nghĩa 1.4: [4] Hàm S : [0, 1]x[0, 1]  [0, 1] gọi là phép tuyển hay là t - đối chuẩn (t – conorm) nếu thoả mãn các tiên đề sau: 1) S(0, x) = x với mọi 0  x  1 2) S có tính giao hoán: S(x, y) = S(y, x) với mọi 0  x, y  1 3) S không giảm theo nghĩa s(x, y)  s(u, v) với x  u, y  v Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 11 4) S có tính kết hợp S(x, S(y,z)) = S(S(x, y), z) với mọi 0  x, y, z  1 Ví dụ: Một số phép tuyển: S(x, y) = max(x, y) ; S (x, y) = x+ y – xy ; S(x, y) = min( x+ y -1 , 0), ….5 Phép kéo theo: Phép kéo theo là một hàm số I: [0,1]2  [0,1] thoả các điều kiện sau: 1) I(0,y)=1,  y  [0,1] 2) I(x,1)=1,  x  [0,1] 3) 0  x1, x2 1  I(x1,y)  I(x2,y),  y  [0,1] 4) 0  y1, y2 1  I(x,y1)  I(x,y2),  x  [0,1] 5) I(1,0)=0 Cho:T là t-chuẩn; S là t-đối chuẩn; n là phép phủ định mạnh Phép kéo theo thứ nhất: Hàm IS(x,y) xác định trên [0, 1]2 bằng biểu thức IS(x,y) =S(n(x),y) Phép kéo theo thứ hai: Cho T là t-chuẩn, xác định IT(x,y) =Sup{z | 0  z  1 và T(x,y)  y},x,y [0,1] Phép kéo theo thứ ba: Cho (T, S, n) là bộ 3 De Morgan, T là t-chuẩn, S là t-đối chuẩn, n là phép phủ định mạnh Phép kéo theo thứ ba: Hàm ITS(x,y) xác định trên [0, 1]2 bằng biểu thức ITS(x,y) =S(n(x),T(x,y)) 1.

Biến ngôn ngữ Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 12 Biến ngôn ngữ làm một loại biến mà giá trị của nó không phải là số mà là từ hay mệnh đề dưới dạng ngôn ngữ tự nhiên. Biến ngôn ngữ được định nghĩa như sau: Định nghĩa 1.5 [1]: Biến ngôn ngữ được xác định bởi một bộ 5 thành phần (X, T(X), U, R, M) trong đó: X – là tên biến T(X) – là tập các giá trị ngôn ngữ của biến X U – là không gian tham chiếu hay còn gọi là miền cơ sở của biến X R – là một số quy tắc cú pháp sinh các giá trị ngôn ngữ trong T(X) M – là quy tắc gán ngữ nghĩa biểu thị bằng tập mờ trên U cho các từ ngôn ngữ trong T(X) Ví dụ: Cho biến ngôn ngữ: Chiều cao X = Chiều cao T(X) = {Rất thấp, Thấp, Hơi Thấp, Bình thường, Hơi cao, Cao, Rất cao} U = [50,215] – miền đánh giá chiều cao R = Nếu chiều cao u là X thì Chiều cao có giá trị như sau: Rất thấp với hàm thuộc (u) Thấp với hàm thuộc (u) Hơi thấp với hàm thuộc (u) Bình thường với hàm thuộc (u) Hơi cao với hàm thuộc (u) Rất cao với hàm thuộc (u) Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 13 Một số đặc trưng cơ bản của biến ngôn ngữ: a)Tính phổ quát: các biến ngôn ngữ khác nhau về các giá trị nguyên thủy nhưng ý nghĩa về mặt cấu trúc miền giá trị của chúng vẫn được giữ. Nói cách khác, cấu trúc miền giá trị của hai biếnngôn ngữ cho trước tồn tại một “đẳng cấu” sai khác nhau bởi giá trị sinh nguyên thủy b) Tính độc lập ngữ cảnh của giả tử và liên từ như AND, OR…: ngữ nghĩa của các gia tử và lien từ như AND, OR,… hoàn toàn độc lập với ngữ cảnh, khác với giá trị nguyên thủy của các biến ngôn ngữ phụ thuộc vào ngữ cảnh. Do đó, khi tìm kiếm các mô hình cho các gia tử và liên từ như AND, OR… chúng ta không phải quan tâm đến giá trị nguyên thủy của biến ngôn ngữ đang xét.

Các đặc trưng này cho phép chúng ta sử dụng cùng một tập gia tử và xây dựng một cấu trúc toán học duy nhất cho miền giá trị của các biến ngôn ngữ khác nhau. Suy luận xấp xỉ (suy luận mờ) Suy luận xấp xỉ hay còn gọi là suy luận mờ, là quá trình suy ra những kết luận dưới dạng các mệnh đề mờ trong điều kiện các quy tắc, các luật, các dữ liệu đầu vào cho trước cũng không hoàn toàn xác định. Mỗi luật mờ được biểu diễn bởi một biểu thức “if – then”, được phát biểu dưới dạng ngôn ngữ tự nhiên thể hiện sự phụ thuộc nhân quả giữa các biến. Ví dụ: If chuồn chuồn bay thấp then trời mưa Trong suy luận mờ, đầu ra thường phụ thuộc vào nhiều yếu tố đầu vào.

Lúc đó ta có thể biểu diễn luật này dưới dạng luật mờ tổng hợp Gọi x1, x2, …, xn là các biến đầu vào và y là biến đầu ra (thường là các biến ngôn ngữ). Aki là các tập mờ ứng với các luật Rk trên không gian nền Ui có Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn download by : [e-mail] 14 hàm thuộc ký hiệu là Aki(xi) hoặc Aki(xi). Bk là tập mờ trên không gian nền V có hàm thuộc Bk(y)= Bk(y).