Phân cụm dữ liệu cho nhận dạng ảnh sử dụng mạng nơron

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

1
ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG



BÙI ĐỨC VIỆT




PHÂN CỤM DỮ LIỆU CHO NHẬN DẠNG ẢNH
SỬ DỤNG MẠNG NƠRON





LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH



THÁI NGUYÊN, NĂM 2012

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

2

LỜI CẢM ƠN
Trƣớc tiên em gửi lời cảm ơn chân thành sâu sắc tới các thầy cô giáo ở Viện
Công nghệ thông tin Việt Nam, các thầy cô trong trƣờng Đại học Công nghệ thông tin
& Truyền thông - Đại học Thái Nguyên đã tận tình truyền đạt, giảng dạy cho em những
kiến thức, kinh nghiện quý báu trong suốt thời gian qua.
Đặc biệt em xin gửi lời cảm ơn đến PGS.TS Lê Bá Dũng đã tận tình giúp đỡ,
trực tiếp chỉ bảo em trong suốt thời gian làm luận văn. Trong thời gian làm việc với
Thầy, em không những tiếp thu thên nhiều kiến thức bổ ích mà còn học đƣợc tinh thần
làm việc, thái độ nghiên cứu khoa học nghiêm túc, hiệu quả. Đây là những điều rất cần
thiết cho em trong quá trình học tập và công tác.
Sau cùng xin gửi lời cảm ơn chân thành tới gia đình, bạn bè đã động viên, đóng
góp ý kiến và giúp đỡ trong quá trình học tâp, nghiên cứu và hoàn thành đề tài này.
Thái Nguyên, tháng 10 năm 2012
Học viên
Bùi Đức Việt









Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

3

MỤC LỤC
MỤC LỤC 3

DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT 6
DANH MỤC CÁC HÌNH VẼ 7
LỜI NÓI ĐẦU 9
CHƢƠNG 1. GIỚI THIỆU VỀ KHAI PHÁ DỮ LIỆU 11
1.1. Khái niệm khai phá dữ liệu 11
1.2. Kiến trúc của một hệ thống khai phá dữ liệu 11
1.3 Các giai đoạn của quá trình khai phá 13
1.4. Các phƣơng pháp khai phá dữ liệu 14
1.5. Các cơ sở dữ liệu phục vụ cho khai phá dữ liệu 16
1.6. Các ứng dụng của khai phá dữ liệu 17
1.7. Các thách thức và khó khăn trong khai phá dữ liệu 17
1.8 Mạng nơron cho khai phá dữ liệu 18
CHƢƠNG 2. TỔNG QUAN VỀ PHÂN CỤM DỮ LIỆU 20
2.1. Khái niệm và mục tiêu của phân cụm dữ liệu 20
2.1.1. Khái niệm về phân cụm dữ liệu 20
2.1.1.1. Mục tiêu của phân cụm dữ liệu 20
2.1.1.2. Các yêu cầu đối với kỹ thuật phân cụm dữ liệu 21
2.1.1.3. Các kiểu dữ liệu và các thuộc tính trong phân cụm 23
2.2.Một số thuật toán trong phân cụm dữ liệu 25
2.2.1. Các thuật toán trong phân cụm phân hoạch 25
2.2.2. Các thuật toán trong phân cụm phân cấp 31
2.2.3.Các thuật toán phân cụm dựa trên mật độ 33
2.2.4.Phân cụm dựa trên lƣới 34

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

4
2.2.5.Phân cụm dựa trên mô hình 35
2.2.6. Phân cụm có dữ liệu ràng buộc 36
2.3. Phân cụm cụm mờ 37

2.3.1. Tổng quan về phân cụm mờ 37
2.3.2. Các thuật toán phân cụm mờ 38
CHƢƠNG 3: ỨNG DỤNG MẠNG NƠRON KOHONEN CHO PHÂN CỤM DỮ
LIỆU 42
3.1. Giới thiệu chung về mạng nơron 42
3.1.2. Mô hình Nơron sinh học 42
3.1.3. Mô hình Nơron nhân tạo 44
3.1.4. Mô hình Mạng Nơron nhân tạo 46
3.1.5. Đặc trƣng của Mạng Nơron 50
3.1.6. Phân loại mạng 51
3.2.3. Thuật toán của mạng SOM 59
3.2.4. Một vài biến thể của giải thuật SOM 65
3.2.5. Một số ứng dụng của SOM 66
CHƢƠNG 4: CÀI ĐẶT CHƢƠNG TRÌNH THỬ NGHIỆM 67
4.1 Giới thiệu 67
4.2 Mạng Nơron SOM cho phân cụm ảnh 68
Thiết kế mạng 68
Thuật toán học mạng 68
4.2 Giới thiệu môi trƣờng cài đặt 70
4.3 Giới thiệu giao diện chƣơng trình 70
4.3.1 Thử nghiệm 1 70
4.3.2 Thử nghiệm 2 73
4.4 Hạn chế của giải thuật SOM khi áp dụng phân cụm màu trên ảnh 74
KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 77

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

5
TÀI LIỆU THAM KHẢO 77

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

6
DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT

CSDL
Cơ sở dữ liệu
PCDL
Phân cụm dữ liệu
KPDL
Khai phá dữ liệu
BNU
Phần tử nơron chiến thắng
MLP
MultiLayer Perception
BAM
Bidirectional Associative Memory
SOM
Self Organizing Map
VQ
Vector Quantization
LVQ
Learning Vector Quantization
MST
Minimal Spanning Tree


Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

7
DANH MỤC CÁC HÌNH VẼ

Trang
Hình 1.1: Kiến trúc một hệ thống khai phá dữ liệu
Hình 1.2: Quá trình khai phá dữ liệu
Hình 2.1 : Biểu đồ các dạng dữ liệu
Hình 2.2: biểu đồ quy mô dữ liệu
Hình 2.3: Cấu trúc phân cấp
Hình 2.4: Các cách mà cụm có thể đƣa ra
Hình 2.5: Thiết lập để xác định danh giới các cụm ban đầu
Hình 2.6: Tính toán trọng tâm các cụm mới
Hình 2.7: Khái quát thuật toán Cure
Hình 2.8: Các cụm dữ liệu đƣợc khám phá bởi thuật toán Cure
Hình 2.9: Hình dạng các cụm đƣợc tạo bởi thuật toán DBSCAN
Hình 3.1: Mô hình nơron sinh học
Hình 3.2: Mô hình nơron nhân tạo cơ bản
Hình 3.2: Mô hình mạng nơron 3 lớp
Hình 3.3: Mô hình học giám sát
Hình 3.4: Mô hình học không giám sát
Hình 3.5: Mô hình mạng perceptron một lớp
Hình 3.6: Mô hình Mạng perceptron nhiều lớp
Hình 3.7: Mô hình mạng hồi quy một lớp
Hình 3.8: Cấu trúc của mạng Hopfield
Hình 3.9: Cấu trúc của mạng BAM
Hình 3.10: Mô hình Mạng Nơron Kohonen
Hình 3.11: Mô hình Mạng Nơron Kohonen thông thƣờng
Hình 3.12: Phần tử nơron chiến thắng BMU
11
12

22
22
27
28
30
31
36
37
38
49
53
52
55
55
58
58
59
60
60
63
65
66

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

8
Hình 3.13: Các vùng lân cận
Hình 4.1: Giao diện chƣơng trình
Hình 4.2: Khởi tạo mạng ngẫu nhiên
Hình 4.3: Xác định BMU

Hình 4.4: Kết quả gom cụm
Hình 4.5: Giao diện chọn ảnh để phân cụm
Hình 4.6: Kết quả sau khi phân cụm
67
69
70
70
71
71
72

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

9
LỜI NÓI ĐẦU
Sự phát triển của công nghệ thông tin và việc ứng dụng công nghệ thông tin trong
nhiều lĩnh vực của đời sống, kinh tế xã hội nhiều năm qua cũng đồng nghĩa với lƣợng
dữ liệu đã đƣợc các cơ quan thu thập và lƣu trữ ngày một tích lũy nhiều lên. Nếu cho
rằng, điện tử và truyền thông chính là bản chất của khoa học điện tử thì dữ liệu, thông
tin, tri thức là tiêu điểm của một lĩnh vực mới để nghiên cứu và ứng dụng, đó là khám
phá tri thức và khai phá dữ liệu.
Thông thƣờng, chúng ta coi dữ liệu là một chuỗi các bits, hoặc các số và các ký
hiệu hay các đối tƣợng với một ý nghĩa nào đó khi gửi cho một chƣơng trình dƣới một
dạng nhất định. Các bít thƣờng đƣợc sử dụng để đo thông tin, và xem nó nhƣ là dữ liệu
đã loại bỏ phần tử dƣ thừa, lặp lại và rút gọn tới mức tối thiểu để đặc trƣng một cách cơ
bản cho dữ liệu. Tri thức đƣợc xem nhƣ là những thông tin tích hợp, bao gồm các sự
kiện và các mối quan hệ giữa chúng đã đƣợc nhận thức, khám phá hoặc nghiên cứu.
Nói cách khác, tri thức có thể đƣợc coi là dữ liệu ở mức độ cao của sự trừu tƣợng và
tổng quát.
Khám phá tri thức hay phát hiện tri thức trong CSDL là quy trình nhận biết các

mẫu hoặc các mô hình trong dữ liệu với các tính năng: phân tích, tổng hợp, hợp thức,
khả ích và có thể hiểu đƣợc.
Khai phá dữ liệu là một bƣớc trong quá trình khám phá tri thức, gồm các thuật
toán khai thác dữ liệu chuyên dùng dƣới một số quy định về hiệu quả tính toán chấp
nhận đƣợc để tìm ra các mẫu hoặc các mô hình trong dữ liệu. Nói cách khác, mục tiêu
của khai phá dữ liệu là tìm kiếm các mẫu hoặc các mô hình tồn tại trong CSDL nhƣng
ẩn trong khối lƣợng lớn dữ liệu.
Phân cụm dữ liệu (PCDL) là quá trình nhóm một tập các đối tƣợng tƣơng tự nhau
trong tập dữ liệu vào các cụm sao cho các đối tƣợng thuộc cùng một cụm là tƣơng
đồng còn các đối tƣợng thuộc các cụm khác nhau sẽ không tƣơng đồng. Phân cụm dữ

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

10
liệu là một ví dụ của phƣơng pháp học không có thầy. Không giống nhƣ phân lớp dữ
liệu, phân cụm dữ liệu không đòi hỏi phải định nghĩa trƣớc các mẫu dữ liệu huấn
luyện. Vì thế, có thể coi phân cụm dữ liệu là một cách học bằng quan sát, trong khi
phân lớp dữ liệu là học bằng ví dụ…
Hiện nay, các phƣơng pháp phân cụm trên đã và đang đƣợc phát triển và áp dụng
nhiều trong các lĩnh vực khác nhau và đã có một số nhánh nghiên cứu đƣợc phát triển
trên cơ sở của các phƣơng pháp đó nhƣ:
Phân cụm thống kê: Dựa trên các khái niệm phân tích hệ thống, nhánh nghiên cứu
này sử dụng các độ đo tƣơng tự để phân hoạch các đối tƣợng, nhƣng chúng chỉ áp dụng
cho các dữ liệu có thuộc tính số.
Phân cụm khái niệm: Kỹ thuật này đƣợc phát triển áp dụng cho dữ liệu hạng mục,
chúng phân cụm các đối tƣợng theo các khái niệm mà chúng xử lí.
Phân cụm mờ: Sử đụng kỹ thuật mờ để PCDL. Các thuật toán thuộc loại này chỉ
ra lƣợc đồ phân cụm thích hợp với tất cả các hoạt động đời sống hàng ngày, chúng chỉ
xử các dữ liệu không chắc chắn.
Luận văn gồm có 4 chƣơng:

Chương 1: Giới thiệu về khai phá dữ liệu
Chương 2: Tổng quan về phân cụm dữ liệu
Chương 3: Ứng dụng mạng Nơron Kohonen cho phân cụm dữ liệu
Chương 4: cài đặt thử nghiệm
Luận văn đã trình bày một số vấn đề về phân cụm - một trong những kỹ thuật cơ
bản để khai phá dữ liệu và ứng dụng phân cụm cho nhận dạng ảnh sử dụng mạng
nơron. Đây là hƣớng nghiên cứu có triển vọng chỉ ra những sơ lƣợc trong việc hiểu và
khai thác CSDL khổng lồ, khám phá thông tin hữu ích ẩn trong dữ liệu; hiểu đƣợc ý
nghĩa thực tế của dữ liệu và ứng dụng vào bài toán cụ thể.


Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

11
CHƢƠNG 1. GIỚI THIỆU VỀ KHAI PHÁ DỮ LIỆU
1.1. Khái niệm khai phá dữ liệu
Khai phá dữ liệu là một lĩnh vực nghiên cứu nhằm tự động khai thác thông tin
tri thức, tri thức hữu ích, tiềm ẩn từ những CSDL lớn cho các đơn vị tổ chức, doanh
nghiệp,…Vậy khai phá dữ liệu là khám phá tri thức tiềm ẩn trong các cơ sở dữ liệu lớn.
Cụ thể hơn, đó là quá trình trích lọc, sản sinh ra những thông tin hoặc các mẫu không
hiển nhiên, tiểm ẩn nhƣng hữu ích từ các cơ sở dữ liệu lớn.
Các kết quả nghiên cứu khoa học cùng những ứng dụng thành công trong phát
hiện tri thức cho thấy Khai phá tri thức là một lĩnh vực phát triển bền vững, mang lại
nhiều lợi ích và có nhiều triển vọng, đồng thời có ƣu thế hơn hẳn so với công các công
cụ tìm kiếm phân tích dữ liệu truyền thống.
Khai phá dữ liệu là một bƣớc trong quá trình khám phá tri thức, gồm các thuật
toán khai thác dữ liệu chuyên dụng dƣới một số quy định về hiệu quả tính toán chấp
nhận đƣợc để tìm ra các mẫu hoặc các mô hình trong dữ liệu.
Vậy ta có thể khái quát hóa khái niệm Khai phá dữ liệu là một quá trình tìm
kiếm, phát hiện các tri thức mới, hữu ích, tiềm ẩn trong CSDL lớn. Cụ thể hơn đó là

tiến trình lọc, sản sinh những tri thức hoặc các mẫu tiềm ẩn, chƣa biết thông tin hữu ích
từ các cơ sở dữ liệu lớn.
1.2. Kiến trúc của một hệ thống khai phá dữ liệu
Khai phá dữ liệu là quá trình rút trích thông tin bổ ích từ những kho dữ liệu lớn.
Khai phá dữ liệu là quá trình chính trong khai phá tri thức từ cơ sở dữ liệu.
Kiến trúc của một hệ thống khai phá dữ liệu có các thành phần nhƣ sau:

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

12

Hình 1.1: Kiến trúc một hệ thống khai phá dữ liệu
CSDL, kho dữ liệu hoặc lƣu trữ thông tin khác: đây là một hay các tập CSDL,
các kiểu dữ liệu hay các dạng khác nhau của thông tin đƣợc lƣu trữ. Các kỹ thuật làm
sạch dữ liệu và tích hợp dữ liệu có thể đƣợc thực hiện.
Cơ sở tri thức (Knowledge-base): đây là miền tri thức dùng để tìm kiếm hay
đánh giá độ quan trọng của các mẫu kết quả thu đƣợc. Tri thức này có thể bao gồm một
sự phân cấp khái niệm dùng để tổ chức các thuộc tính hay các giá trị thuộc tính ở các
mức trừu tƣợng khác nhau.
Công cụ khai thác dữ liệu: là một hệ thống khai phá dữ liệu cần phải có một tập
các công cụ để phục vụ cho việc khai phá, bao gồm các Modul chức năng để thực hiện
công việc nhƣ kết hợp, phân lớp, phân cụm.
Mẫu ƣớc lƣợng: là bộ phận tƣơng tác với các Modul khai phá dữ liệu để tập
trung vào việc duyệt tìm các mẫu đang đƣợc quan tâm. Nó có thể dùng các ngƣỡng về
độ quan tâm để lọc các mẫu đã khám phá đƣợc. Cũng có thể Modul đáng giá mẫu
đƣợc tích hợp vào Modul khai phá dữ liệu, tùy theo cách cài đặt của phƣơng pháp
khai phá dữ liệu đƣợc dùng.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

13
Dữ liệu thực: là kết quả cuối cùng của quá trình khai phá, phù hợp với yêu cầu
ngƣời sử dụng.
1.3 Các giai đoạn của quá trình khai phá
Khai phá dữ liệu là một giai đoạn quan trọng trong quá trình khám phá tri thức.
Về bản chất, nó là giai đoạn duy nhất tìm ra đƣợc thông tin mới, thông tin tiềm ẩn có
trong CSDL chủ yếu phục vụ cho mô tả và dự đoán.
Mô tả dữ liệu là tổng kết hoặc diễn tả những đặc điểm chung của những thuộc
tính dữ liệu trong kho dữ liệu mà con ngƣời có thể hiểu đƣợc.
Dự đoán là dựa trên những dữ liệu hiện thời để dự đoán những quy luật đƣợc
phát hiện từ các mối liên hệ giữa các thuộc tính của dữ liệu trên cơ sở đó chiết xuất ra
các mẫu, dự đoán đƣợc những giá trị chƣa biết hoặc những giá trị tƣơng lai của các
biến quan tâm.
Quá trình khai phá dữ liệu đƣợc thể hiện nhƣ hình sau:


Hình 1.2: Quá trình khai phá dữ liệu
Trong đó :
Xác định nhiệm vụ: xác định chính xác các vấn đề cần giải quyết.
Xác định các dữ liệu liên quan: Dùng để xây dựng giải pháp.
Thu thập và tiền xử lý dữ liệu: Thu thập dữ liệu liên quan và tiền xử lý chúng
sao cho thuật toán khai phá dữ liệu có thể hiểu đƣợc. Đây là quá trình khó khăn, có thể

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

14
gặp phải rất nhiều vƣớng mắc nhƣ: dữ liệu phải đƣợc sao ra nhiều bản, quản lí tập các
dữ liệu, phải lặp đi lặp lại nhiều lần toàn bộ quá trình…
Quá trình khai phá dữ liệu trải qua ba bƣớc:
Bƣớc 1: Lọc dữ liệu đƣợc thực hiện trong quá trình tiền xử lý. Đầu tiên là tích

hợp và chỉnh sửa. Dữ liệu đƣợc thu thập từ nhiều nguồn khác nhau nên có thể có những
sai sót, dƣ thừa và trùng lặp. Lọc dữ liệu là cắt bỏ dƣ thừa để dữ liệu đƣợc định dạng
thống nhất. Dữ liệu sau khi lọc và chỉnh sửa sẽ nhỏ hơn, xử lý nhanh hơn.
Bƣớc 2: Khai phá dữ liệu là công việc chính, sử dụng các thuật toán khác nhau
để khai phá các kiến thức tiềm ẩn trong dữ liệu.
Bƣớc 3: quá trình ƣớc lƣợng kết quả khai phá theo yêu cầu của ngƣời dùng. Các
kết quả đƣợc ƣớc lƣợng bởi những quy tắc nào đó, nếu kết quả cuối cùng không thỏa
mãn yêu cầu thì phải làm lại với kỹ thuật khác cho đến khi có kết quả mong muốn.
1.4. Các phƣơng pháp khai phá dữ liệu
Mục đích của khai phá dữ liệu là chiết xuất ra các tri thức có lợi cho kinh doanh
hay cho nghiên cứu khoa học…. Do đó, ta có thể xem mục đích của khai phá dữ liệu sẽ
là mô tả các sự kiện và dự đoán. Dự đoán liên quan đến việc sử dụng các biến hoặc các
đối tƣợng (bản ghi) trong cơ sở dữ liệu để chiết xuất ra các mẫu, dự đoán đƣợc những
giá trị chƣa biết hoặc những giá trị tƣơng lai của các biến đáng quan tâm. Còn mô tả
tập trung vào việc tìm kiếm các mẫu mô tả dữ liệu mà con ngƣời có thể hiểu đƣợc. Với
hai mục đích của khai phá dữ liệu đó, ngƣời ta thƣờng sử dụng các phƣơng pháp cho
Khai phá dữ liệu nhƣ sau:
 Luật kết hợp (Association rules)
 Phân lớp (Classfication)
 Hồi quy (Regression)
 Trực quan hóa (Visualiztion)
 Phân cụm (Clustering)
 Tổng hợp (Summarization)

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

15
 Mô hình ràng buộc (Dependency modeling)
 Biểu diễn mô hình (Model Evaluation)
 Phân tích sự phát triển và độ lệch (Evolution and deviation analyst)

 Phƣơng pháp tìm kiếm (Search method)
Trong số các phƣơng pháp khai phá dữ liệu trên, có 3 phƣơng pháp đƣợc sử
dụng nhiều đó là: Luật kết hợp, Phân lớp dữ liệu và Phân cụm dữ liệu.
Phân lớp dữ liệu: Khái niệm phân lớp dữ liệu đƣợc Han và Kamber đƣa ra
năm 2000. Phân lớp dữ liệu là xây dựng một mô hình mà có thể phân các đối tƣợng
thành những lớp để dự đoán giá trị bị mất tại một số thuộc tính của dữ liệu hay tiên
đoán giá trị của dữ liệu sẽ xuất hiện trong tƣơng lai.
Quá trình phân lớp dữ liệu đƣợc thực hiện qua 2 bƣớc:
Dựa vào tập hợp dữ liệu huấn luyện, xây dựng một mô hình mô tả những đặc
trƣng của những lớp dữ liệu hoặc những khái niệm, đây là quá trình học có giám sát,
học theo mẫu đƣợc cung cấp trƣớc.
Từ những lớp dữ liệu hoặc những khái niệm đƣợc xác định trƣớc, dự đoán giá trị của
những đối tƣợng quan tâm.
Một kỹ thuật phân lớp dữ liệu đƣợc Han và Kamber đƣa ra là cây quyết định.
Mỗi nút của cây đại diện một quyết định dựa vào giá trị thuộc tính tƣơng ứng.
Phân nhóm dữ liệu: Phân nhóm là kỹ thuật khai phá dữ liệu tƣơng tự nhƣ phân
lớp dữ liệu. tuy nhiên, sự phân nhóm là quá trình học không giám sát, là quá trình
nhóm những đối tƣợng vào trong những lớp tƣơng đƣơng, những đối tƣợng trong cùng
nhóm phải tƣơng đƣơng nhau và khác với những đối tƣợng khác trong các nhóm khác.
Trong phân nhóm đối tƣợng, những đối tƣợng đƣợc nhóm lại cùng nhau dựa vào sự
giống nhau của chúng. Sự giống nhau giữa những đối tƣợng đƣợc xác định bởi những
chức năng giống nhau. Thông thƣờng sự giống nhau về định lƣợng nhƣ khoảng cách
hoặc độ đo khác đƣợc xác định bởi những chuyên gia trong lĩnh vực.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

16
Luật kết hợp: khai phá bằng luật kết hợp là tìm ra các mẫu các quan hệ, các
mối tƣơng quan hoặc quan hệ nhân quả phổ biến giữa các đối tƣợng trong cơ sở dữ liệu
giao dịch, cơ sở dữ liệu quan hệ và các thông tin khác trong kho.

Đầu vào: là các cơ sở dữ liệu giao dịch
Đầu ra: tìm ra các mối quan hệ quan trọng giữa các mục trong cơ sở dữ liệu giao dịch.
Có nghĩa là sự hiện diện của một số mục trong một giao dịch sẽ bao hàm sự hiện diện
của một số các mục khác trong cùng một giao dịch.
1.5. Các cơ sở dữ liệu phục vụ cho khai phá dữ liệu
Dựa vào những kiểu dữ liệu mà kỹ thuật khai phá áp dụng, có thể chia dữ liệu
thành các loại khác nhau:
+ Cơ sở dữ liệu quan hệ: Đến nay hầu nhƣ dữ liệu đƣợc lƣu trữ dƣới dạng cơ sở dữ
liệu quan hệ. Cơ sở dữ liệu quan hệ có cấu trúc cao, dữ liệu đƣợc mô tả bởi một tập các
thuộc tính và lƣu trong bảng. Khai phá dữ liệu trên cơ sở dữ liệu quan hệ chủ yếu tập
trung khai phá mẫu.
+ Cơ sở dữ liệu giao tác: là tập hợp những bản ghi giao dịch, trong đa số các trƣờng
hợp chúng là những bản ghi các dữ liệu hoạt động của doanh nghiệp, tổ chức. Khai phá
dữ liệu trên cơ sở dữ liệu giao tác tập trung vào khai phá luật kết hợp tìm mối tƣơng
quan giữa những mục dữ liệu của bản ghi giao dịch.
+ Cơ sở dữ liệu không gian: bao gồm hai phần: dữ liệu quan hệ (hay giao tác) và thông
tin định vị (hoặc thông tin địa lý). Những luật kết hợp trên cơ sở dữ liệu không gian mô
tả mối quan hệ giữa các đặc trƣng trong cơ sở dữ liệu không gian. Dạng của luật kết
hợp không gian có dạng X -> Y với X, Y là tập hợp những vị từ không gian. Những
thuật toán khai phá luật kết hợp không gian tƣơng tự nhƣ khai phá luật kết hợp nhƣng
thêm những vị từ không gian.
+ Cơ sở dữ liệu có yếu tố thời gian: Giống nhƣ cơ sở dữ liệu có yếu tố không gian, cơ
sở dữ liệu này bao gồm hai phần: Dữ liệu quan hệ (hay giao tác) và Thông tin về thời

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

17
gian xuất hiện dữ liệu ở phần 1. Những luật kết hợp thời gian có nhiều thông tin hơn
những luật kết hợp cơ bản.
+ Cơ sở dữ liệu đa phƣơng tiện: số lƣợng trang Web đang bùng nổ trên thế giới, thông

tin trên Web đang phát triển với tốc độ cao vì vậy việc khai phá thông tin trên Web
(Web mining) đã trở thành một lĩnh vực nghiên cứu chính của khai phá dữ liệu và đang
đƣợc quan tâm. Khai phá dữ liệu trên Web đƣợc chia thành 3 phạm trù chính: Khai phá
cách sử dụng Web (Web usage mining), khai phá cấu trúc Web (Web structure mining)
và khai phá nội dung Web (Web content mining). Khai phá cách dùng Web tập trung
vào việc khai phá thông tin của ngƣời truy cập Web.
1.6. Các ứng dụng của khai phá dữ liệu
 Khai phá dữ liệu tuy là một lĩnh vực mới nhƣng đang thu hút đƣợc sự quan tâm
của rất nhiều nhà nghiên cứu, nhờ đó nó có nhiều những ứng dụng trong thực
tiễn, điển hình nhƣ:
 Phân tích dữ liệu và hỗ trợ ra quyết định.
 Phân lớp văn bản, tóm tắt văn bản, phân lớp các trang Web và phân cụm ảnh
màu.
 Chuẩn đoán triệu chứng, phƣơng pháp trong điều trị y học.
 Tìm kiếm, đối sánh các hệ Gene và thông tin di truyền trong sinh học.
 Phân tích tình hình tài chính, thị trƣờng, dự báo giá cổ phiếu trong tài chính, thị
trƣờng và chứng khoán.
 Phân tích dữ liệu marketing, khách hàng.
 Điều khiển và lập lịch trình.
 Bảo hiểm, Giáo dục, Y tế……
1.7. Các thách thức và khó khăn trong khai phá dữ liệu
Khai phá dữ liệu liên quan đến nhiều ngành, nhiều lĩnh vực trong thực tế, vì vậy
các thách thức và khó khăn ngày càng nhiều, càng lớn hơn. Dƣới đây là một số khó
khăn cần đƣợc quan tâm và giải quyết:

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

18
Các cơ sở dữ liệu lớn, các tập dữ liệu cần xử lý có kích thƣớc lớn. Thực tế, kích thƣớc
của các tập dữ liệu thƣờng ở mức tera- byte .

Mức độ nhiễu cao hoặc dữ liệu bị thiếu.
Số chiều các thuộc tính lớn.
Thay đổi dữ liệu và tri thức có thể làm cho các mẫu đã phát hiện không còn phù
hợp.
Quan hệ giữa các trƣờng phức tạp.
Việc giao tiếp với ngƣời sử dụng và kết hợp các tri thức.
Tích hợp với các hệ thống khác.
Cơ sở dữ liệu có thể lớn về số lƣợng các bản ghi, về số lƣợng các thuộc tính
trong CSDL . Để giải quyết vấn đề này, ngƣời ta đƣa ra một ngƣỡng nào đó cho CSDL
bằng các cách nhƣ chiết xuất mẫu, xấp xỉ hoặc xử lý song song.
Để khắc phục việc dữ liệu thay đổi phụ thuộc theo thời gian ta cần phải chuẩn
hóa,cải tiến, nâng cấp các mẫu, các mô hình và có thể xem các thay đổi này là mục
đích của khai phá và tìm kiếm các mẫu bị thay đổi.
Với thuộc tính không phù hợp, các bộ giá trị không đầy đủ, bị thiếu giá trị trong
các miền thuộc tính… ngƣời ta sẽ coi sự thiếu vắng của các dữ liệu này là giá trị ẩn,
chƣa biết và có thể đƣợc tiên đoán bằng một số phƣơng pháp nào đó.
Với những Quan hệ phức tạp giữa các thuộc tính trong CSDL đòi hỏi phải có
các giải pháp, các kỹ thuật để có thể áp dụng đƣợc, nhận ra đƣợc các mối quan hệ này
trong quá trình khai phá dữ liệu.
1.8 Mạng nơron cho khai phá dữ liệu
Mạng nơron nhân tạo đƣợc coi là một công cụ mạnh để giải quyết các bài toán
có tính phi tuyến, phức tạp và đặc biệt trong trƣờng hợp mối quan hệ giữa các quá trình
không dễ thiết lập một các tƣờng minh. Có nhiều loại mạng nơron khác nhau trong đó
mạng nơron kohonen là một trong những mạng nơron thông dụng nhất. Mạng nơron
kohonen với nhiều ƣu điểm của nó, đã trở thành công cụ hữu ích trong khai phá dữ

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

19
liệu. Với thuật toán SOM tạo ra hàm phân bố xác suất cho tập dữ liệu ban đầu, dễ giải

thích và quan trọng nhất là trực quan hóa tốt. Tùy vấn đề giải quyết mà các chuyên gia
khai phá dữ liệu có thể chọn các phƣơng pháp khác nhau để phân tích dữ liệu đƣa ra.
Thế nhƣng với phƣơng pháp SOM có thể làm nhiều công việc cùng lúc và cho kết quả
tƣơng đƣơng với việc kết hợp nhiều phƣơng pháp khác với nhau. SOM rất hiệu quả
trong việc phân cụm và rút gọn kích thƣớc dữ liệu. Đây cũng chính là phƣơng pháp sẽ
đƣợc nghiên cứu và sử dụng trong nội dung của luận văn ở các chƣơng tiếp theo.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

20
CHƢƠNG 2. TỔNG QUAN VỀ PHÂN CỤM DỮ LIỆU
2.1. Khái niệm và mục tiêu của phân cụm dữ liệu
2.1.1. Khái niệm về phân cụm dữ liệu
Phân cụm dữ liệu là quá trình nhóm một tập các đối tƣợng tƣơng tự nhau trong
tập dữ liệu vào các cụm sao cho các đối tƣợng thuộc cùng một cụm là tƣơng đồng, còn
các đối tƣợng thuộc các cụm khác nhau sẽ không tƣơng đồng.
Phân cụm dữ liệu là một kỹ thuật trong Khai phá dữ liệu nhằm tìm kiếm, phát
hiện các cụm, các mẫu dữ liệu tự nhiên tiềm ẩn quan trọng trong tập dữ liệu lớn từ đó
cung cấp thông tin tri thức hữu ích cho việc ra quyết định.
Không giống nhƣ phân lớp dữ liệu, phân cụm dữ liệu không đòi hỏi phải định
nghĩa trƣớc các mẫu dữ liệu huấn luyện. Vì thế, có thể coi phân cụm dữ liệu là một
cách học bằng quan sát trong khi phân lớp dữ liệu là học bằng ví dụ …
Ngoài ra, phân cụm dữ liệu còn có thể đƣợc sử dụng nhƣ một bƣớc tiền xử lý
cho các thuật toán khai phá dữ liệu khác nhƣ là phân loại và mô tả đặc điểm, có tác
dụng trong việc phát hiện ra các cụm.Phân cụm dữ liệu đang là vấn đề mở và khó vì
ngƣời ta cần phải đi giải quyết nhiều vấn đề cơ bản về dữ liệu để nó phù hợp với nhiều
dạng dữ liệu khác nhau nhƣ dữ liệu chứa nhiễu do quá trình thu thập thiếu chính xác,
không tƣờng minh hoặc là các đối tƣợng dữ liệu khuyết thiếu thông tin về môt số thuộc
tính… hoặc dữ liệu hỗn hợp đang ngày càng tăng trong các hệ quản trị dữ liệu.
2.1.1.1. Mục tiêu của phân cụm dữ liệu

Mục tiêu của phân cụm dữ liệu là xác định đƣợc bản chất nhóm trong tập dữ
liệu chƣa có nhãn. Nó có thể là không có tiêu chuẩn tuyệt đối “tốt” mà có thể không
phụ thuộc vào kết quả phân cụm. Vì vậy, nó đòi hỏi ngƣời sử dụng phải cung cấp tiêu
chuẩn phân cụm một cách rõ ràng theo cách mà kết quả phân cụm sẽ đáp ứng yêu cầu.
Hiện nay chƣa có một phƣơng pháp phân cụm tổng quát nào có thể giải quyết
chọn vẹn cho tất cả các dạng cấu trúc dữ liệu. Hơn nữa, các phƣơng pháp phân cụm

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

21
cần có một cách thức biểu diễn cấu trúc của dữ liệu, và với mỗi cách thức biểu khác
nhau sẽ có tƣơng ứng một thuật toán phân cụm phù hợp.
2.1.1.2. Các yêu cầu đối với kỹ thuật phân cụm dữ liệu
Phân cụm là một thách thức trong lĩnh vực nghiên cứu ở chỗ những ứng dụng
tiềm năng của chúng đƣợc đƣa ra ngay chính những yêu cầu đặc biệt của chúng. Sau
đây là những yêu cầu cơ bản của phân cụm trong KPDL:
Có khả năng mở rộng: Nhiều thuật toán phân cụm dữ liệu làm việc tốt với
những tập dữ liệu nhỏ chứa ít hơn 200 đối tƣợng, tuy nhiên một cơ sở dữ liệu lớn có
thể chứa tới hàng triệu đối tƣợng. Việc phân cụm với một tập dữ liệu lớn có thể làm
ảnh hƣởng tới kết quả. Vậy làm thế nào để chúng ta phát triển các thuật toán phân cụm
có khả năng mở rộng cao đối với các CSDL lớn?
Khả năng thích nghi với các kiểu thuộc tính khác nhau: Nhiều thuật toán đƣợc
thiết kế cho việc phân cụm dữ liệu có kiểu khoảng (kiểu số). Tuy nhiên, nhiều ứng
dụng có thể đòi hỏi việc phân cụm với nhiều kiểu dữ liệu khác nhau, nhƣ kiểu nhị
phân, kiểu tƣờng minh (định danh - không thứ tự), và dữ liệu có thứ tự hay dạng hỗn
hợp của những kiểu dữ liệu này.
Khám phá các cụm với hình dạng bất kỳ: Nhiều thuật toán phân cụm xác định
các cụm dựa trên các phép đo khoảng cách Euclidean và khoảng cách Manhattan. Các
thuật toán dựa trên các phép đo nhƣ vậy hƣớng tới việc tìm kiếm các cụm hình cầu với
mật độ và kích cỡ tƣơng tự nhau. Tuy nhiên, một cụm có thể có bất cứ một hình dạng

nào. Do đó, việc phát triển các thuật toán có thể khám phá ra các cụm có hình dạng bất
kỳ là một việc làm quan trọng.
Tối thiểu lƣợng tri thức cần cho xác định các tham số đầu vào: Nhiều thuật toán
phân cụm yêu cầu ngƣời dùng đƣa vào những tham số nhất định trong phân tích phân
cụm (nhƣ số lƣợng các cụm mong muốn). Kết quả của phân cụm thƣờng khá nhạy cảm
với các tham số đầu vào. Nhiều tham số rất khó để xác định, nhất là với các tập dữ liệu

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

22
có lƣợng các đối tƣợng lớn. Điều này không những gây trở ngại cho ngƣời dùng mà
còn làm cho khó có thể điều chỉnh đƣợc chất lƣợng của phân cụm.
Khả năng thích nghi với dữ liệu nhiễu: Hầu hết những CSDL thực đều chứa
đựng dữ liệu ngoại lai, dữ liệu lỗi, dữ liệu chƣa biết hoặc dữ liệu sai. Một số thuật toán
phân cụm nhạy cảm với dữ liệu nhƣ vậy và có thể dẫn đến chất lƣợng phân cụm thấp.
Ít nhạy cảm với thứ tự của các dữ liệu vào: Một số thuật toán phân cụm nhạy cảm với
thứ tự của dữ liệu vào, ví dụ nhƣ với cùng một tập dữ liệu, khi đƣợc đƣa ra với các thứ
tự khác nhau thì với cùng một thuật toán có thể sinh ra các cụm rất khác nhau. Do đó,
việc quan trọng là phát triển các thuật toán mà ít nhạy cảm với thứ tự vào của dữ liệu.
Số chiều lớn: Một CSDL hoặc một kho dữ liệu có thể chứa một số chiều hoặc
một số các thuộc tính. Nhiều thuật toán phân cụm áp dụng tốt cho dữ liệu với số chiều
thấp, bao gồm chỉ từ hai đến 3 chiều. Ngƣời ta đánh giá việc phân cụm là có chất lƣợng
tốt nếu nó áp dụng đƣợc cho dữ liệu có từ 3 chiều trở lên. Nó là sự thách thức với các
đối tƣợng dữ liệu cụm trong không gian với số chiều lớn, đặc biệt vì khi xét những
không gian với số chiều lớn có thể rất thƣa và có độ nghiêng lớn.
Phân cụm ràng buộc: Nhiều ứng dụng thực tế có thể cần thực hiện phân cụm
dƣới các loại ràng buộc khác nhau. Một nhiệm vụ đặt ra là đi tìm những nhóm dữ liệu
có trạng thái phân cụm tốt và thỏa mãn các ràng buộc.
Dễ hiểu và dễ sử dụng: Ngƣời sử dụng có thể chờ đợi những kết quả phân cụm dễ hiểu,
dễ lý giải và dễ sử dụng. Nghĩa là, sự phân cụm có thể cần đƣợc giải thích ý nghĩa và

ứng dụng rõ ràng. Với những yêu cầu đáng lƣu ý này, nghiên cứu của ta về phân tích
phân cụm diễn ra nhƣ sau: Đầu tiên, ta nghiên cứu các kiểu dữ liệu khác và cách chúng
có thể gây ảnh hƣởng tới các phƣơng pháp phân cụm. Thứ hai, ta đƣa ra một cách phân
loại chung trong các phƣơng pháp phân cụm. Sau đó, ta nghiên cứu chi tiết mỗi
phƣơng pháp phân cụm, bao gồm các phƣơng pháp phân hoạch, phân cấp, dựa trên mật
độ, Ta cũng khảo sát sự phân cụm trong không gian đa chiều và các biến thể của các
phƣơng pháp khác.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

23
2.1.1.3. Các kiểu dữ liệu và các thuộc tính trong phân cụm
Thuật toán phân cụm dữ liệu có rất nhiều kiểu dữ liệu. Một thuộc tính duy nhất
có thể đƣợc có nhƣ nhị phân, rời rạc, hoặc liên tục. Thuộc tính nhị phân có chính xác
hai giá trị, nhƣ là đúng hoặc sai. Thuộc tính rời rạc có một số hữu hạn các giá trị có thể,
vì thế kiểu dữ liệu nhị phân là một trƣờng hợp đặc biệt của dữ liệu rời rạc. Quy mô dữ
liệu chỉ ra tầm quan trọng tƣơng đối của các con số, cũng là một vấn đề quan trọng
trong phân cụm dữ liệu. Vì vậy dữ liệu đƣợc chia thành các kiểu nhƣ sau:


Hình 2.1 : Biểu đồ các dạng dữ liệu

Hình 2.2: biểu đồ quy mô dữ liệu
Bao gồm các kiểu dữ liệu:
+ Dữ liệu dựa trên kích thƣớc miền:

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

24
Thuộc tính liên tục (Continuous Attribute) : nếu miền giá trị của nó là vô hạn

không đếm đƣợc.
Thuộc tính rời rạc (DiscretteAttribute) : Nếu miền giá trị của nó là tập hữu hạn,
đếm đƣợc.
Lớp các thuộc tính nhị phân: là trƣờng hợp đặc biệt của thuộc tính rời rạc mà
miền giá trị của nó chỉ có 2 phần tử đƣợc diễn tả nhƣ : Yes / No hoặc Nam/Nữ,
False/true,…
+ Thuộc tính định danh (nominal Scale): đây là dạng thuộc tính khái quát hoá của
thuộc tính nhị phân, trong đó miền giá trị là rời rạc không phân biệt thứ tự và có nhiều
hơn hai phần tử - nghĩa là nếu x và y là hai đối tƣợng thuộc tính thì chỉ có thể xác định
là x  y hoặc x = y.
+ Thuộc tính có thứ tự (Ordinal Scale) : là thuộc tính định danh có thêm tính thứ tự,
nhƣng chúng không đƣợc định lƣợng. Nếu x và y là hai thuộc tính thứ tự thì ta có thể
xác định là x  y hoặc x = y hoặc x > y hoặc x <y.
+ Thuộc tính khoảng (Interval Scale) : Với thuộc tính khoảng, chúng ta có thể xác định
một thuộc tính là đứng trƣớc hoặc sau thuộc tính khác với một khoảng là bao nhiêu.
Nếu x
i
> y
i
thì ta nói x cách y một khoảng x
i
– y
i
tƣơng ứng với thuộc tính thứ i.Sau
khi chuẩn hoá, độ đo phi tƣơng tự của hai đối tƣợng dữ liệu x, y đƣợc xác định bằng
các metric khoảng cách nhƣ sau :
Khoảng cách Minskowski :
)
1
||(

/1
),(




n
i
q
y
i
x
i
q
yxd
, trong đó q là số tự nhiên
dƣơng.
Khoảng cách Euclide :




n
i
y
i
x
i
yxd
1

)(
2
),(
, đây là trƣờng hợp đặc biệt của khoảng
cách Minskowski trong trƣờng hợp q=2.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

25
Khoảng cách Manhattan :



n
i
y
i
x
i
yxd
1
||),(
, đây là trƣờng hợp đặc biệt của khoảng
cách Minskowski trong trƣờng hợp q=1.
Khoảng cách cực đại :
||
1
),(
y
i

x
i
n
i
Maxyxd 


, đây là trƣờng hợp của
khoảng cách Minskowski trong trƣờng hợp
q 
.
+ Thuộc tính tỉ lệ (Ratio Scale) : là thuộc tính khoảng nhƣng đƣợc xác định một cách
tƣơng đối so với điểm mốc, thí dụ nhƣ thuộc tính chiều cao hoặc cân nặng lấy điểm 0
làm mốc. Có nhiều cách khác nhau để tính độ tƣơng tự giữa các thuộc tính tỷ lệ. Có thể
sử dụng công thức tính logarit cho mỗi thuộc tính x
i
.
Trong các thuộc tính dữ liệu trình bày ở trên, thuộc tính định danh và thuộc tính có thứ
tự gọi chung là thuộc tính hạng mục (Categorical), thuộc tính khoảng và thuộc tính tỉ lệ
đƣợc gọi là thuộc tính số (Numeric).
2.2.Một số thuật toán trong phân cụm dữ liệu
2.2.1. Các thuật toán trong phân cụm phân hoạch
Ý tƣởng chung của thuật toán trong phân cụm phân cụm phân hoạch: phân một
tập dữ liệu có n phần tử cho trƣớc thành k nhóm dữ liệu sao cho mỗi phần tử dữ liệu
chỉ thuộc về một nhóm dữ liệu và mỗi nhóm dữ liệu có tối thiểu một phần tử dữ liệu.
Thuật toán phân cụm phân hoạch tối ƣu cục bộ là sử dụng chiến lƣợc ăn tham để tìm
kiếm nghiệm.
Dƣới đây là một số thuật toán đƣợc sử dụng rộng rãi:
Thuật toán K-Means:
Ý tưởng : dựa trên độ đo khoảng cách của các đối tƣợng dữ liệu trong cụm.

Thực tế, nó đo khoảng cách tới giá trị trung bình của các đối tƣợng dữ liệu trong cụm.
Nó đƣợc xem nhƣ là trung tâm của cụm. Nhƣ vậy, nó khởi tạo một tập trung tâm các
cụm trung tâm ban đầu và thông qua đó nó lặp lại các bƣớc gồm gán mỗi đối tƣợng tới