xây dựng ứng dụng demo cho kỹ thuật khai phá dữ liệu bằng cây quyết định

LỜI CẢM ƠN
Trước tiên em xin được gửi lời cảm ơn chân thành tới các thầy cô giáo trong
khoa Công nghệ thông tin - Trường đại học sư phạm Hà Nội đã tần tình giúp đỡ và
giảng dạy cho chúng em trong những năm học vừa qua.
Đặc biệt, em xin gửi lời cảm ơn chân thành nhất tới cô giáo - T.S Hồ Cẩm
Hà cùng các thầy cô giáo trong tổ bộ môn Hệ thống thông tin đã tận tình hướng
dẫn, giúp đỡ em hoàn thành đề tài nghiên cứu khoa học này.
Trong thời gian vừa qua mặc dù em đã cố gắng rất nhiều để hoàn thành tốt
đề tài nghiên cứu khoa học của mình. Song chắc chắn kết quả nghiên cứu sẽ không
tránh khỏi những thiếu sót, vì vậy em kính mong nhận được sự chỉ bảo và góp ý của
quý thầy cô và các bạn.
Em xin chân thành cám ơn!
Ký tên
H
ạ
nh
Nguyễn Thị Hạnh
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
MỤC LỤC
LỜI MỞ ĐẦU 3
Chương 1: Tổng quan về khai phá dữ liệu 4
1.1.Khám phá tri thức và khai phá dữ liệu là gì? 4
1.2.Quá trình phát hiện tri thức 5
1.2.1.Hình thành và định nghĩa bài toán 6
1.2.2.Thu thập và tiền xử lý dữ liệu 6
1.2.3.Khai phá dữ liệu và rút ra các tri thức 7
1.2.4.Phân tích và kiểm định kết quả 7
1.2.5.Sử dụng các tri thức phát hiện được 7
1.3.Quá trình khai phá dữ liệu 8
1.3.1.Gom dữ liệu (gatherin) 8
1.3.2.Trích lọc dữ liệu (selection) 8

1.3.3.Làm sạch và tiền xử lý dữ liệu (cleansing preprocessing) 9
1.3.4.Chuyển đổi dữ liệu (transformation) 9
1.3.5.Phát hiện và trích mẫu dữ liệu ( pattern extraction and discovery) 9
1.3.6.Đánh giá kết quả mẫu (evaluation of result ) 9
1.4.Chức năng của khai phá dữ liệu 10
1.5.Các kỹ thuật khai phá dữ liệu 10
1.5.1.Phân lớp dữ liệu: 10
1.5.2.Phân cụm dữ liệu: 10
1.5.3.Khai phá luật kết hợp: 11
1.5.4.Hồi quy: 11
1.5.5.Giải thuật di truyền: 11
1.5.6.Mạng nơron: 11
1.5.7.Cây quyết định 12
1.6.Các dạng dữ liệu có thể khai phá được 12
1.7.Các lĩnh vực liên quan đến khai phá dữ liệu và ứng dụng của khai phá dữ liệu 12
1.7.1.Các lĩnh vực liên quan đến phát hiện tri thức và khai phá dữ liệu 12
1.7.2.Ứng dụng của khai phá dữ liệu 12
1.8.Các thách thức và hướng phát triển của phát hiện tri thức và khai phá dữ liệu 13
Chương 2: Khai phá dữ liệu bằng cây quyết định 14
2.1.Cây quyết định 14
2.1.1.Định nghĩa cây quyết định 14
2.1.2.Ưu điểm của cây quyết định 15
2.1.3.Vấn đề xây dựng cây quyết định 15
2.1.4.Rút ra các luật từ cây quyết định 16
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
2
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
2.2.Các thuật toán khai phá dữ liệu bằng cây quyết định 16
2.2.1.Thuật toán CLS 16
2.2.2.Thuật toán ID3 17

2.2.3.Thuật toán C4.5 19
2.2.4.Thuật toán SLIQ[5] 23
2.2.5.Cắt tỉa cây quyết định 26
2.2.6.Đánh giá và kết luận về các thuật toán xây dựng cây quyết định 28
Chương 3: Xây dựng chương trình dêmo 30
3.1.Mô tả bài toán 30
3.2.Thu thập và tiền xử lý dữ liệu 30
3.3.Chương trình 31
Chương 4. KẾT LUẬN 31
4.1 Đánh Giá 31
4.1.1 Lý thuyết 31
4.1.2 Ứng dụng 31
4.2 Hướng Phát Triển 31
TÀI LIỆU THAM KHẢO 32
Tài liệu tiếng Việt 32
Tài liệu tiếng Anh 32
LỜI MỞ ĐẦU
Trong nhiều năm qua, cùng với sự phát triển của công nghệ thông tin và ứng
dụng của công nghệ thông tin trong nhiều lĩnh vực của đời sống xã hội, thì lượng dữ
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
3
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
liệu được các cơ quan thu thập và lưu trữ ngày một nhiều lên. Người ta lưu trữ
những dữ liệu này vì cho rằng nó ẩn chứa những giá trị nhất định nào đó. Tuy nhiên
theo thống kê thì chỉ có một lượng nhỏ của những dữ liệu này (khoảng từ 5% đến
10%) là luôn được phân tích, số còn lại họ không biết sẽ phải làm gì và có thể làm
gì với những dữ liệu này, nhưng họ vẫn tiếp tục thu thập và lưu trữ vì hy vọng
những dữ liệu này sẽ cung cấp cho họ những thông tin quý giá một cách nhanh
chóng để đưa ra những quyết định kịp thời vào một lúc nào đó. Chính vì vậy, các
phương pháp quản trị và khai thác cơ sở dữ liệu truyền thống ngày càng không đáp

ứng được thực tế đã làm phát triển một khuynh hướng kỹ thuật mới đó là Kỹ thuật
phát hiện tri thức và khai phá dữ liệu (KDD - Knowledge Discovery and Data
Mining).
Kỹ thuật phát hiện tri thức và khai phá dữ liệu đã và đang được nghiên cứu,
ứng dụng trong nhiều lĩnh vực khác nhau trên thế giới, tại Việt Nam kỹ thuật này
còn tương đối mới mẻ tuy nhiên cũng đang được nghiên cứu và bắt đầu đưa vào
một số ứng dụng thực tế. Vì vậy, hiện nay ở nước ta vấn đề phát hiện tri thức và
khai phá dữ liệu đang thu hút được sự quan tâm của nhiều người và nhiều công ty
phát triển ứng dụng công nghệ thông tin. Trong phạm vi đề tài nghiên cứu khoa học
này của em, em sẽ trình bày những nội dung sau:
Chương 1: Tìm hiểu những kiến thức tổng quan về khám phá tri thức và khai
phá dữ liệu.
Chương 2: Nghiên cứu kỹ thuật khai phá dữ liệu bằng cây quyết định.
Chương 3: Xây dựng ứng dụng demo cho kỹ thuật khai phá dữ liệu bằng cây
quyết định
Chương 1: Tổng quan về khai phá dữ liệu
1.1. Khám phá tri thức và khai phá dữ liệu là gì?
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
4
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
Phát hiện tri thức (Knowledge Discovery ) trong các cơ sở dữ liệu là một qui
trình nhận biết các mẫu hoặc các mô hình trong dữ liệu với các tính năng: hợp thức,
mới, khả ích, và có thể hiểu được [4].
Còn khai thác dữ liệu (data mining) là một ngữ tương đối mới, nó ra đời vào
khoảng những năm cuối của của thập kỷ 1980. Có rất nhiều định nghĩa khác nhau
về khai phá dữ liệu. Giáo sư Tom Mitchell đã đưa ra định nghĩa của khai phá dữ
liệu như sau: “Khai phá dữ liệu là việc sử dụng dữ liệu lịch sử để khám phá những
qui tắc và cải thiện những quyết định trong tương lai.”. Với một cách tiếp cận ứng
dụng hơn, tiến sĩ Fayyad đã phát biểu: ”Khai phá dữ liệu thường được xem là việc
khám phá tri thức trong các cơ sở dữ liệu, là một quá trình trích xuất những thông

tin ẩn, trước đây chưa biết và có khả năng hữu ích, dưới dạng các quy luật, ràng
buộc, qui tắc trong cơ sở dữ liệu.”. Còn các nhà thống kê thì xem " khai phá dữ liệu
như là một quá trình phân tích được thiết kế thăm dò một lượng cực lớn các dữ liệu
nhằm phát hiện ra các mẫu thích hợp và/ hoặc các mối quan hệ mang tính hệ thống
giữa các biến và sau đó sẽ hợp thức hoá các kết quả tìm được bằng cách áp dụng
các mẫu đã phát hiện được cho tập con mới của dữ liệu".
Nói tóm lại: khai phá dữ liệu là một bước trong quy trình phát hiện tri thức
gồm có các thụât toán khai thác dữ liệu chuyên dùng dưới một số quy định về hiệu
quả tính toán chấp nhận được để tìm ra các mẫu hoặc các mô hình trong dữ liệu [4].
1.2. Quá trình phát hiện tri thức
Quá trình khám phá tri thức được tiến hành qua 5 bước sau [5]:
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
5
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
Hình 1.1. Quá trình khám phá tri thức
1.2.1. Hình thành và định nghĩa bài toán
Đây là bước tìm hiểu lĩnh vực ứng dụng và hình thành bài toán, bước này
sẽ quyết định cho việc rút ra những tri thức hữu ích, đồng thời lựa chọn các
phương pháp khai phá dữ liệu thích hợp với mục đích của ứng dụng và bản
chất của dữ liệu.
1.2.2.Thu thập và tiền xử lý dữ liệu
Trong bước này dữ liệu được thu thập ở dạng thô (nguồn dữ liệu thu thập
có thể là từ các kho dữ liệu hay nguồn thông tin internet). Trong giai đoạn này
dữ liệu cũng được tiền xử lý để biến đổi và cải thiện chất lượng dữ liệu cho
phù hợp với phương pháp khai phá dữ liệu được chọn lựa trong bước trên.
Bước này thường chiếm nhiều thời gian nhất trong quá trình khám phá tri
thức.
Các giải thuật tiền xử lý dữ liệu bao gồm :
1. Xử lý dữ liệu bị mất/ thiếu: Các dạng dữ liệu bị thiếu sẽ được
thay thế bởi các giá trị thích hợp

2. Khử sự trùng lắp: các đối tượng dữ liệu trùng lắp sẽ bị loại bỏ
đi. Kỹ thuật này không được sử dụng cho các tác vụ có quan
tâm đến phân bố dữ liệu.
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
6
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
3. Giảm nhiễu: nhiễu và các đối tượng tách rời khỏi phân bố
chung sẽ bị loại đi khỏi dữ liệu.
4. Chuẩn hoá: miền giá trị của dữ liệu sẽ được chuẩn hoá.
5. Rời rạc hoá: các dạng dữ liệu số sẽ được biến đổi ra các giá trị
rời rạc.
6. Rút trích và xây dựng đặc trưng mới từ các thuộc tính đã có.
7. Giảm chiều: các thuộc tính chứa ít thông tin sẽ được loại bỏ
bớt.
1.2.3.Khai phá dữ liệu và rút ra các tri thức
Đây là bước quan trọng nhất trong tiến trình khám phá tri thức. Kết quả
của bước này là trích ra được các mẫu và/hoặc các mô hình ẩn dưới các dữ
liệu. Một mô hình có thể là một biểu diễn cấu trúc tổng thể một thành phần
của hệ thống hay cả hệ thống trong cơ sở dữ liệu, hay miêu tả cách dữ liệu
được nảy sinh. Còn một mẫu là một cấu trúc cục bộ có liên quan đến vài biến
và vài trường hợp trong cơ sở dữ liệu.
1.2.4. Phân tích và kiểm định kết quả
Bước thứ tư là hiểu các tri thức đã tìm được, đặc biệt là làm sáng tỏ các
mô tả và dự đoán. Trong bước này, kết quả tìm được sẽ được biến đổi sang
dạng phù hợp với lĩnh vực ứng dụng và dễ hiểu hơn cho người dùng.
1.2.5. Sử dụng các tri thức phát hiện được
Trong bước này, các tri thức khám phá được sẽ được củng cố, kết hợp
lại thành một hệ thống, đồng thời giải quyết các xung đột tiềm năng trong
các tri thức đó. Các mô hình rút ra được đưa vào những hệ thống thông tin
thực tế dưới dạng các môdun hỗ trợ việc đưa ra quyết định.

Các giai đoạn của quá trình khám phá tri thức có mối quan hệ chặt chẽ
với nhau trong bối cảnh chung của hệ thống. Các kỹ thuật được sử dụng
trong giai đoạn trước có thể ảnh hưởng đến hiệu quả của các giải thuật được
sử dụng trong các giai đoạn tiếp theo. Các bước của quá trình khám phá tri
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
7
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
thức có thể được lặp đi lặp lại một số lần, kết quả thu được có thể được lấy
trung bình trên tất cả các lần thực hiện.
1.3. Quá trình khai phá dữ liệu
Khai phá dữ liệu là hoạt động trọng tâm của quá trình khám phá tri thức . Thuật
ngữ khai phá dữ liệu còn được một số nhà khoa học gọi là phát hiện tri thức trong cơ sở dữ
liệu ( knowledge discovery in database _KDD) ( theo Fayyad Smyth and Piatestky-
Shapiro 1989). Quá trình này gồm có 6 bước [1]:
Hình 1.2. Quá trình khai phá dữ liệu
Quá trình khai phá dữ liệu bắt đầu với kho dữ liệu thô và kết thúc với tri thức
được chiết xuất ra. Nội dung của quá trình như sau:
1.3.1. Gom dữ liệu (gatherin)
Tập hợp dữ liệu là bước đầu tiên trong khai phá dữ liệu. Bước này lấy
dữ liệu từ trong một cơ sở dữ liệu, một kho dữ liệu, thậm chí dữ liệu từ những
nguồn cung ứng web.
1.3.2. Trích lọc dữ liệu (selection)
Ở giai đoạn này dữ liệu được lựa chọn và phân chia theo một
số tiêu chuẩn nào đó.
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
8
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
1.3.3. Làm sạch và tiền xử lý dữ liệu (cleansing preprocessing).
Giai đoạn thứ ba này là giai đoạn hay bị sao lãng, nhưng thực tế nó là
một bước rất quan trọng trong quá trình khai phá dữ liệu. Một số lỗi thường

mắc phải trong khi gom dữ liệu là dữ liệu không đầy đủ hoặc không thống
nhất, thiếu chặt chẽ. Vì vậy dữ liệu thường chứa các giá trị vô nghĩa và không
có khả năng kết nối dữ liệu. Ví dụ Sinh viên có tuổi=200. Giai đoạn thứ ba
này nhằm xử lý các dữ liệu như trên(dữ liệu vô nghĩa, dữ liệu không có khả
năng kết nối). Những dữ liệu dạng này thường được xem là thông tin dư thừa,
không có giá trị. Bởi vậy đây là một quá trình rất quan trọng. Nếu dữ
liệu không được làm sạch- tiền xử lý - chuẩn bị trước thì sẽ gây nên những kết
quả sai lệch nghiêm trọng về sau.
1.3.4. Chuyển đổi dữ liệu (transformation)
Trong giai đoạn này, dữ liệu có thể được tổ chức và sử dụng lại. Mục
đích của việc chuyển đổi dữ liệu là làm cho dữ liệu phù hợp hơn với mục
đích khai phá dữ liệu.
1.3.5. Phát hiện và trích mẫu dữ liệu ( pattern extraction and discovery)
Đây là bước tư duy trong khai phá dữ liệu. Ở trong giai đoạn này
nhiều thuật toán khác nhau đã được sử dụng để trích ra các mẫu từ dữ liệu.
Thuật toán thường dùng để trích mẫu dữ liệu là thuật toán phân loại dữ liệu,
kết hợp dữ liệu, thuật toán mô hình hoá dữ liệu tuần tự.
1.3.6. Đánh giá kết quả mẫu (evaluation of result )
Đây là giai đoạn cuối cùng trong quá trình khai phá dữ liệu, ở giai
đoạn này các mẫu dữ liệu được chiết xuất ra bởi phần mềm khai phá dữ liệu.
Không phải mẫu dữ liệu nào cũng hữu ích, đôi khi nó còn bị sai lệch. Vì vậy
cần phải đưa ra những tiêu chuẩn đánh giá độ ưu tiên cho các mẫu dữ liệu để
rút ra được những tri thức cần thiêt.
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
9
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
1.4. Chức năng của khai phá dữ liệu
Khai phá dữ liệu có hai chức năng cơ bản đó là: chức năng dự đoán và chức
năng mô tả.
1.5. Các kỹ thuật khai phá dữ liệu

Trong thực tế có nhiều kỹ thuật khai phá dữ liệu khác nhau nhằm thực hiện
hai chức năng mô tả và dự đoán.
- Kỹ thuật khai phá dữ liệu mô tả: có nhiệm vụ mô tả các tính chất hoặc
các đặc tính chung của dữ liệu trong CSDL hiện có. Một số kỹ thuật khai
phá trong nhóm này là: phân cụm dữ liệu (Clustering), tổng hợp
(Summarisation), trực quan hoá (Visualization), phân tích sự phát triển và
độ lệch (Evolution and deviation analyst),….
- Kỹ thuật khai phá dữ liệu dự đoán: có nhiệm vụ đưa ra các dự đoán dựa
vào các suy diễn trên cơ sở dữ liệu hiện thời. Một số kỹ thuật khai phá
trong nhóm này là: phân lớp (Classification), hồi quy (Regression), cây
quyết định (Decision tree), thống kê (statictics), mạng nơron (neural
network), luật kết hợp,….
Một số kỹ thuật phổ biến thường được sử dụng để khai phá dữ liệu
hiện nay là :
1.5.1. Phân lớp dữ liệu:
Mục tiêu của phân lớp dữ liệu đó là dự đoán nhãn lớp cho các mẫu dữ
liệu. Quá trình gồm hai bước: xây dựng mô hình, sử dụng mô hình để phân
lớp dữ liệu( mỗi mẫu 1 lớp). Mô hình được sử dụng để dự đoán nhãn lớp khi
mà độ chính xác của mô hình chấp nhận được.
1.5.2. Phân cụm dữ liệu:
Mục tiêu của phân cụm dữ liệu là nhóm các đối tượng tương tự nhau
trong tập dữ liệu vào các cum, sao cho các đối tượng thuộc cùng một lớp là
tương đồng.
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
10
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
1.5.3. Khai phá luật kết hợp:
Mục tiêu của phương pháp này là phát hiện và đưa ra các mối liên hệ
giữa các giá trị dữ liệu trong cơ sở dữ liệu. Đầu ra của giải thuật luật kết hợp
là tập luật kết hợp tìm được. Phương pháp khai phá luật kết hợp gồm có hai

bước:
- Bước 1: Tìm ra tất cả các tập mục phổ biến. Một tập mục phổ biến được
xác định thông qua tính độ hỗ trợ và thoả mãn độ hỗ trợ cực tiểu.
- Bước 2: Sinh ra các luật kết hợp mạnh từ tập mục phổ biến, các luật phải
thoả mãn độ hỗ trợ và độ tin cậy cực tiểu.
1.5.4. Hồi quy:
Phương pháp hồi quy tương tự như là phân lớp dữ liệu. Nhưng khác ở
chỗ nó dùng để dự đoán các giá trị liên tục còn phân lớp dữ liệu dùng để dự
đoán các giá trị rời rạc.
1.5.5. Giải thuật di truyền:
Là quá trình mô phỏng theo tiến hoá của tự nhiên. Ý tưởng chính của
giải thuật là dựa vào quy luật di truyền trong biến đổi, chọn lọc tự nhiên và
tiến hoá trong sinh học.
1.5.6. Mạng nơron:
Đây là một trong những kỹ thuật khai phá dữ liệu được ứng dụng phổ
biến hiện nay. Kỹ thuật này phát triển dựa trên một nền tảng toán học vững
vàng, khả năng huấn luyện trong kỹ thuật này dựa trên mô hình thần kinh
trung ương của con người.
Kết quả mà mạng nơron học được có khả năng tạo ra các mô hình dự
báo, dự đoán với độ chính xác và độ tin cậy cao. Nó có khả năng phát hiện
ra được các xu hướng phức tạp mà kỹ thuật thông thường khác khó có thể
phát hiện ra được. Tuy nhiên phương pháp mạng nơ ron rất phức tạp và quá
trình tiến hành nó gặp rất nhiều khó khăn: đòi hỏi mất nhiều thời gian, nhiều
dữ liệu, nhiều lần kiểm tra thử nghiệm.
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
11
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
1.5.7. Cây quyết định.
Kỹ thuật cây quyết định là một công cụ mạnh và hiệu quả trong việc
phân lớp và dự báo. Các đối tượng dữ liệu được phân thành các lớp. Các giá

trị của đối tượng dữ liệu chưa biết sẽ được dự đoán, dự báo. Tri thức được
rút ra trong kỹ thuật này thường được mô tả dưới dạng tường minh, đơn giản,
trực quan, dễ hiểu đối với người sử dụng.
1.6. Các dạng dữ liệu có thể khai phá được
- CSDL quan hệ
- CSDL đa chiều
- CSDL giao dịch
- CSDL quan hệ - đối tượng
- CSDL không gian và thời gian
- CSDL đa phương tiện.
1.7. Các lĩnh vực liên quan đến khai phá dữ liệu và ứng dụng của khai phá
dữ liệu
1.7.1. Các lĩnh vực liên quan đến phát hiện tri thức và khai phá dữ liệu
Phát hiện tri thức và khai phá dữ liệu được ứng dụng trong nhiều ngành và
lĩnh vực khác nhau như: tài chính ngân hàng, thương mại, y tế, giáo dục,
thống kê, máy học, trí tuệ nhân tạo, csdl, thuật toán toán học, tính toán song
song với tốc độ cao, thu thập cơ sở tri thức cho hệ chuyên gia,…
1.7.2. 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; Được ứng dụng cho việc 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…
Một số ứng dụng cụ thể như sau :
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
12
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
- Khai phá dữ liệu được sử dụng để phân tích dữ liệu, hỗ trợ ra quyết định.

- Trong sinh học: nó dùng để tìm kiếm , so sánh các hệ gen và thông tin di
chuyền, tìm mối liên hệ giữa các hệ gen và chuẩn đoán một số bệnh di
chuyền
- Trong y học: khai phá dữ liệu giúp tìm ra mối liên hệ giữa các triệu
chứng, chuẩn đoán bệnh.
- Tài chính và thị trường chứng khoán: Khai phá dữ liệu để phân tích tình
hình tài chính, phân tích đầu tư, phân tích cổ phiếu
- Khai thác dữ liệu web.
- Trong thông tin kỹ thuật: khai phá dữ liệu dùng để phân tích các sai hỏng,
điều khiển và lập lịch trình…
- Trong thông tin thương mại: dùng để phân tích dữ liệu người dùng, phân
tích dữ liệu marketing, phân tích đầu tư, phát hiện các gian lận.
1.8. Các thách thức và hướng phát triển của phát hiện tri thức và khai phá
dữ liệu.
Sự phát triển của phát hiện tri thức và khai phá dữ liệu gặp phải một số
thách thức sau:
- CSDL lớn (số lượng bản ghi, số bảng)
- Số chiều lớn
- Thay đổi dữ liệu và tri thức có thể làm cho các mẫu đã phát hiện không
còn phù hợp nữa.
- Dữ liệu bị thiếu hoặc bị nhiễu.
- Quan hệ giữa các trường phức tạp
- Vấn đề giao tiếp với người sử dụng và kết hợp với các tri thức đã có.
- Tích hợp với các hệ thống khác.
- …
Hướng phát triển của khám phá tri thức và khai phá dữ liệu là vượt qua được
tất cả những thách thức trên. Chú trọng vào việc mở rộng ứng dụng để đáp ứng
cho mọi lĩnh vực trong đời sống xã hội, và tăng tính hữu ích của việc khai phá dữ
liệu trong những lĩnh vực đã có khai phá dữ liệu. Tạo ra các phương pháp khai phá
dữ liệu linh động, uyển chuyển để xử lý số lượng dữ liệu lớn một cách hiệu quả.

Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
13
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
Tạo ra tương tác người sử dụng tốt, giúp người sử dụng tham gia điều khiển quá
trình khai phá dữ liệu, định hướng hệ thống khai phá dữ liệu trong việc phát hiện
các mẫu đáng quan tâm. Tích hợp khai phá dữ liệu vào trong các hệ cơ sở dữ liệu.
Ứng dụng khai phá dữ liệu để khai phá dữ liệu web trực tuyến. Một vấn đề quan
trọng trong việc phát triển khám phá tri thức và khai phá dữ liệu đó là vấn đề an
toàn và bảo mật thông tin trong khai phá dữ liệu.
Chương 2: Khai phá dữ liệu bằng cây quyết định
2.1. Cây quyết định
2.1.1. Định nghĩa cây quyết định
Trong lĩnh vực học máy, cây quyết định là một kiểu mô hình dự báo
(predictive model), nghĩa là một ánh xạ từ các quan sát về một sự vật/hiện
tượng tới các kết luận về giá trị mục tiêu của sự vật/hiện tượng. Mỗi nút
trong (internal node) tương ứng với một biến; đường nối giữa nó với nút con
của nó thể hiện giá trị cụ thể cho biến đó. Mỗi nút lá đại diện cho giá trị dự
đoán của biến mục tiêu, cho trước các giá trị dự đoán của các biến được biểu
diễn bởi đường đi từ nút gốc tới nút lá đó. Kỹ thuật học máy dùng trong cây
quyết định được gọi là học bằng cây quyết định, hay chỉ gọi với cái tên ngắn
gọn là cây quyết định. [3]
Ví dụ: Cây quyết định phân lớp mức lương
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
14
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
Hình 2.1 Cây quyết định phân lớp mức lương
2.1.2. Ưu điểm của cây quyết định
So với các phương pháp khai phá dữ liệu khác, cây quyết định có một số
ưu điểm sau
- Cây quyết định tương đối dể hiểu.

- Đòi hỏi mức tiền xử lý dữ liệu đơn giản.
- Có thể xử lý với cả các dữ liệu rời rạc và liên tục.
- Cây quyết định là một mô hình hộp trắng.
- Kết quả dự đoán bằng cây quyết định có thể thẩm định lại bằng cách
kiểm tra thống kê.
2.1.3. Vấn đề xây dựng cây quyết định
Có nhiều thuật toán khác nhau để xây dựng cây quyết định như: CLS,
ID3, C4.5, SLIQ, SPRINT, EC4.5, C5.0…Nhưng nói chung quá trình xây
dựng cây quyết định đều được chia ra làm 3 giai đoạn cơ bản:
a. Xây dựng cây: Thực hiện chia một cách đệ quy tập mẫu dữ liệu huấn
luyện cho đến khi các mẫu ở mối nút lá thuộc cùng một lớp
b. Cắt tỉa cây: Là việc làm dùng để tối ưu hoá cây. Cắt tỉa cây chính là việc
trộn một cây con vào trong một nút lá.
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
Age?
≤ 35
salary
> 35
salary
≤ 40 >40
bad good
≤50 >50
bad good
15
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
c. Đánh giá cây: Dùng để đánh giá độ chính xác của cây kết quả. Tiêu chí
đánh giá là tổng số mẫu được phân lớp chính xác trên tổng số mẫu đưa
vào.
2.1.4. Rút ra các luật từ cây quyết định.
Có thể chuyển đổi qua lại giữa mô hình cây quyết định và mô hình dạng

luật (IF …THEN…). Hai mô hình này là tương đương nhau.
Ví dụ từ cây 2.1 ta có thể rút ra được các luật sau.
IF (Age <= 35) AND (salary<=40) THEN class = bad
IF (Age<=35) AND (salary>40) THEN class = good
IF (Age>35) AND (salary <=50 ) THEN class = bad
IF (Age > 35) AND(salary>50) THEN class = good
2.2. Các thuật toán khai phá dữ liệu bằng cây quyết định
2.2.1. Thuật toán CLS
Thuật toán này được Hovland và Hint giới thiệu trong Concept
learning System (CLS) vào những năm 50 của thế kỷ 20. Sau đó gọi tắt là
thuật toán CLS. Thuật toán CLS được thiết kế theo chiến lược chia để trị từ
trên xuống. Nó gồm các bước sau [6]:
1. Tạo một nút T, nút này gồm tất cả các mẫu của tập huấn luyện.
2. Nếu tất cả các mẫu trong T có thuộc tính quyết định mang giá trị
"yes" (hay thuộc cùng một lớp), thì gán nhãn cho nút T là "yes" và
dừng lại. T lúc này là nút lá.
3. Nếu tất cả các mẫu trong T có thuộc tính quyết định mang giá trị
"no" (hay thuộc cùng một lớp), thì gán nhãn cho nút T là "no" và
dừng lại. T lúc này là nút lá.
4. Trường hợp ngược lại các mẫu của tập huấn luyện thuộc cả hai lớp
"yes" và "no" thì:
+ Chọn một thuộc tính X trong tập thuộc tính của tập mẫu dữ liệu
, X có các giá trị v
1
,v
2
, …v
n
.
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT

16
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
+ Chia tập mẫu trong T thành các tập con T
1
, T
2
,….,T
n
. chia theo
giá trị của X.
+ Tạo n nút con T
i
(i=1,2…n) với nút cha là nút T.
+ Tạo các nhánh nối từ nút T đến các nút T
i
(i=1,2…n) là các
thuộc tính của X.
5. Thực hiện lặp cho các nút con T
i
(i =1,2 n) và quay lại bước 2.
Ta nhận thấy trong bước 4 của thuật toán, thuộc tính được chọn để
triển khai cây là tuỳ ý. Do vậy cùng với một tập mẫu dữ liệu huấn luyện nếu
áp dụng thuật toán CLS với thứ tự chọn thuộc tính triển khai cây khác nhau,
sẽ cho ra các cây có hình dạng khác nhau. Việc lựa chọn thuộc tính sẽ ảnh
hưởng tới độ rộng, độ sâu, độ phức tạp của cây. Vì vậy một câu hỏi đặt ra là
thứ tự thuộc tính nào được chọn để triển khai cây sẽ là tốt nhất. Vấn đề này sẽ
được giải quyết trong thuật toán ID3 dưới đây.
2.2.2. Thuật toán ID3
Thuật toán ID3 được phát biểu bởi Quinlan (trường đại học Syney,
Australia) và được công bố vào cuối thập niên 70 của thế kỷ 20. Sau đó, thuật

toán ID3 được giới thiệu và trình bày trong mục Induction on decision trees,
machine learning năm 1986. ID3 được xem như là một cải tiến của CLS với
khả năng lựa chọn thuộc tính tốt nhất để tiếp tục triển khai cây tại mỗi bước.
ID3 xây dựng cây quyết định từ trên- xuống (top -down) [5] .
Entropy [5]: dùng để đo tính thuần nhất của một tập dữ liệu. Entropy của một
tập S được tính theo công thức (1)
+ -
2 2
Entropy(S)= - P log ( ) P log ( )P P
+ −
−
(2.1)
Trong trường hợp các mẫu dữ liệu có hai thuộc tính phân lớp "yes"
(+), "no" (-). Ký hiệu p
+
là để chỉ tỷ lệ các mẫu có giá trị của thuộc tính quyết
định là "yes", và p
-
là tỷ lệ các mẫu có giá trị của thuộc tính quyết định là "no"
trong tập S.
Trường hợp tổng quát, đối với tập con S có n phân lớp thì ta có công
thức sau:
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
17
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
n
i 2
i=1
Entropy(S)= (- P log ( ))
i

P
∑
(2.2)
Trong đó P
i
là tỷ lệ các mẫu thuộc lớp i trên tập hợp S các mẫu kiểm tra.
Các trường hợp đặc biệt
- Nếu tất cả các mẫu thành viên trong tập S đều thuộc cùng một lớp thì
Entropy(S) =0
- Nếu trong tập S có số mẫu phân bổ đều nhau vào các lớp thì Entropy(S)
=1
- Các trường hợp còn lại 0< Entropy(S)<1
Information Gain (viết tắt là Gain)[5]: Gain là đại lượng dùng để đo tính
hiệu quả của một thuộc tính được lựa chọn cho việc phân lớp. Đại lượng này
được tính thông qua hai giá trị Information và Entropy.
- Cho tập dữ liệu S gồm có n thuộc tính A
i
(i=1,2…n) giá trị Information
của thuộc tính A
i
ký hiệu là Information(A
i
) được xác định bởi công
thức .

n
i 2
i=1
Information(A ) = - log ( ) Entropy(S)
i

p =
∑
(2.3)
- Giá trị Gain của thuộc tính A trong tập S ký hiệu là Gain(S,A) và được
tính theo công thức sau:
v
v
v value(A)
S
( , ) Information(A) - Entropy(A)= Entropy(S)- Entropy(S )
S
Gain S A
∉
=
∑
(2.4)
Trong đó :
 S là tập hợp ban đầu với thuộc tính A. Các giá trị của v tương ứng là
các giá trị của thuộc tính A.
 S
v
bằng tập hợp con của tập S mà có thuộc tính A mang giá trị v.
 |S
v
| là số phần tử của tập S
v
.
 |S| là số phần tử của tập S.
Trong quá trình xây dựng cây quyết định theo thuật toán ID3 tại mỗi
bước triển khai cây, thuộc tính được chọn để triển khai là thuộc tính có giá trị

Gain lớn nhất.
Hàm xây dựng cây quyết định trong thuật toán ID3 [2]
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
18
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
Function induce_tree(tập_ví_dụ, tập_thuộc_tính)
begin
if mọi ví dụ trong tập_ví_dụ đều nằm trong cùng một lớp then
return một nút lá được gán nhãn bởi lớp đó
else if tập_thuộc_tính là rỗng then
return nút lá được gán nhãn bởi tuyển của tất cả các lớp trong
tập_ví_dụ
else begin
chọn một thuộc tính P, lấy nó làm gốc cho cây hiện tại;
xóa P ra khỏi tập_thuộc_tính;
với mỗi giá trị V của P
begin
tạo một nhánh của cây gán nhãn V;
Đặt vào phân_vùng
V
các ví dụ trong tập_ví_dụ có giá trị V
tại thuộc tính P;
Gọi induce_tree(phân_vùng
V
, tập_thuộc_tính), gắn kết quả
vào nhánh V
end
end
end
Với việc tính toán giá trị Gain để lựa chọn thuộc tính tối ưu cho việc

triển khai cây, thuật toán ID3 được xem là một cải tiến của thuật toán CLS.
Tuy nhiên thuật toán ID3 không có khả năng xử lý đối với những dữ liệu có
chứa thuộc tính số - thuộc tính liên tục (numeric attribute) và khó khăn trong
việc xử lý các dữ liệu thiếu (missing data)và dữ liệu nhiễu (noisy data). Vấn
đề này sẽ được giải quyết trong thuật toán C4.5 sau đây.
2.2.3. Thuật toán C4.5
- Thuật toán C4.5 được phát triển và công bố bởi Quinlan vào năm 1996.
Thuật toán C4.5 là một thuật toán được cải tiến từ thuật toán ID3 với
việc cho phép xử lý trên tập dữ liệu có các thuộc tính số (numeric
atributes) và và làm việc được với tập dữ liệu bị thiếu và bị nhiễu. Nó
thực hiện phân lớp tập mẫu dữ liệu theo chiến lược ưu tiên theo chiều
sâu (Depth - First). Thuật toán xét tất cả các phép thử có thể để phân
chia tập dữ liệu đã cho và chọn ra một phép thử có giá trị GainRatio tốt
nhất. GainRatio là một đại lượng để đánh giá độ hiệu quả của thuộc tính
dùng để thực hiện phép tách trong thuật toán để phát triển cây quyết
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
19
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
định. GainRatio được tính dựa trên kết quả tính toán đại lượng
Information Gain theo công thức sau:
( , )
( , )
(X,T)
Gain X T
GainRation X T
SplitInfo
=
(2.5)
Với:
i i

2
i Value(X)
|T | |T |
info(X,T) = - log
| | | |
Split
T T
∉
∑
(2.6)
Trong đó:
Value(X) là tập các giá trị của thuộc tính X
T
i
là tập con của tập T ứng với thuộc tính X = giá trị là v
i
.
Đối với các thuộc tính liên tục, chúng ta tiến hành phép thử nhị phân
cho mọi giá trị của thuộc tính đó. Để thu thập được giá trị Entropy gain của
tất cả các phép thử nhị phân một cách hữu hiệu ta tiến hành xắp xếp các dữ
liệu theo giá trị của thuộc tính liên tục đó bằng thuật toán Quicksort
Thuật toán xây dựng cây quyết định C4.5
Mô tả thuật toán dưới dạng giả mã như sau [5]:
Function xay_dung_cay(T)
{
1. <Tính toán tần xuất các giá trị trong các lớp của T>;
2. If <Kiểm tra các mẫu, nếu thuộc cùng một lớp hoặc có rất ít mẫu
khác lớp>Then <Trả về 1 nút lá>
Else <Tạo một nút quyết định N>;
3. For <Với mỗi thuộc tính A> Do <Tính giá trị Gain(A)>;

4. <Tại nút N, thực hiện việc kiểm tra để chọn ra thuộc tính có giá trị
Gain tốt nhất (lớn nhất). Gọi N.test là thuộc tính có Gain lớn nhất>;
5. If <Nếu N.test là thuộc tính liên tục> Then <Tìm ngưỡng cho phép
tách của N.test>;
6. For <Với mỗi tập con T` được tách ra từ tập T> Do
( T` được tách ra theo quy tắc:
- Nếu N.test là thuộc tính liên tục tách theo ngưỡng ở bước 5
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
20
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
- Nếu N.test là thuộc tính phân loại rời rạc tách theo các giá
trị của thuộc tính này.
)
7. { If <Kiểm tra, nếu T' rỗng>} Then
<Gán nút con này của nút N là nút lá>;
Else
8. <Gán nút con này là nút được trả về bằng cách gọi đệ qui lại đối
với hàm xay_dung_cay(T'), với tập T'>;
}
9. <Tính toán các lỗi của nút N>;
<Trả về nút N>;
}
Một số công thức được sử dụng
n
i
x i
i=1
T
Info (T)=- *Info(T )
T

∑
(2.7)
X
( ) Info(T)-Info ( )Gain X T=
(2.8)
(2.8) được sử dụng làm tiêu chuẩn để lựa chọn thuộc tính khi phân lớp.
Thuộc tính được chọn là thuộc tính có giá trị Gain tính theo (2.8) đạt giá trị lớn
nhất.
Một số cài tiến của thuật toán C4.5:
1. Làm việc với thuộc tính đa trị
Tiêu chuẩn (2.8) có một khuyết điểm là không chấp nhận các thuộc
tính đa trị. Vì vậy thuật toán C4.5 đã đưa ra các đại lượng GainRatio và
SplitInfo (SplitInformation), chúng được xác định theo các công thức
sau:
( , )
j
freq C T
P
S
=
n
i
2
i=1
T
Info (X) =- log
T
i
T
Split

T
 
 ÷
 
∑
(2.9)
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
21
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
( )
( )
Info(X)
Gain X
GainRatio X
Split
=
(2.10)
Giá trị SplitInfo là đại lượng đánh giá thông tin tiềm năng thu thập
được khi phân chia tập T thành n tập hợp con.
GainRatio là tiêu chuẩn để đánh giá việc lựa chọn thuộc tính phân
loại.
2. Làm việc với dữ liệu bị thiếu
Thuật toán vừa xây dựng dựa vào giả thuyết tất cả các mẫu dữ liệu có
đủ các thuộc tính. Nhưng trong thực tế, xẩy ra hiện tượng dữ liệu bị thiếu,
tức là ở một số mẫu dữ liệu có những thuộc tính không được xác
định,hoặc mâu thuẫn, hoặc không bình thường. Ta xem xét kỹ hơn với
trường hợp dữ liệu bị thiếu. Đơn giản nhất là không đưa các mẫu với các
giá trị bị thiếu vào, nếu làm như vậy thì có thể dẫn đến tình trạng thiếu
các mẫu học. Giả sử T là một tập hợp gồm các mẫu cần được phân loại,
X là phép kiểm tra theo thuộc tính L, U là số lượng các giá trị bị thiếu của

thuộc tính L. Khi đó ta có
k
j
2
j=1
freq(C ,T) ( , )
Info(T) = - *log
|T|-U | |
j
freq C T
T U
 
 ÷
−
 
∑
(2.11)
n
x 2
j=1
|T|
Info (T) = - *log ( )
|T|-U
i
T
∑
(2.12)
Trong trường hợp này, khi tính tần số freq (C
i
, T) ta chỉ tính riêng các

mẫu với giá trị trên thuộc tính L đã xác định. Khi đó tiêu chuẩn (2.8) được
viết lại bằng công thức (2.13) như sau:
x
| |
( ) (Info(T)-Info ( ))
| |
T U
Gain X T
T
−
=
(2.13)
Tương tự thay đổi tiêu chuẩn (2.13). Nếu phép kiểm tra có N giá trị đầu
vào thì tiêu chuẩn (2.13) được tính như trong trường hợp chia N tập hợp ban
đầu thành (N+1) tập hợp con.
Giả sử phép thử X có các giá trị O
1
,O
2
,….O
n
được lựa chọn theo tiểu
chuẩn (2.13), ta cần xử lý như thế nào với các dữ liệu bị thiếu. Giả sử mẫu từ
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
22
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
tập hợp T với đầu ra là Oi có liên quan đến tập hợp Ti thì khả năng mẫu đó
thuộc tập hợp Ti là 1.
Giả sử mỗi mẫu trong T
i

có một chỉ số xác định xác suất thuộc tập
hợp T
i
. Nếu mẫu có giá trị thuộc tính L thì có trọng số bằng 1. Nếu trong
trường hợp ngược lại, thì mẫu này liên quan đến tập con T
1
,T
2
,…T
n
với xác
xuất tương ứng là :
1 2
, , ,
| | | | | |
n
T T T
T U T U T U− − −
Ta có thể dễ dàng thấy được rằng tổng các xác xuất này bằng 1.
1
1
n
i
i
T
T U
=
=
−
∑

Tóm lại giải pháp này được phát biểu như sau: xác suất xuất hiện của
các giá trị bị thiếu tỷ lệ thuận với xác suất xuất hiện của các giá trị không
thiếu.
Qua tìm hiểu trên ta thấy thuật toán C4.5 là cải tiến của thuật toán ID3
2.2.4. Thuật toán SLIQ[5]
Thuật toán SLIQ (Supervised Learning In Quest) được gọi là thuật toán
phân lớp leo thang nhanh. Thuật toán này có thể áp dụng cho cả hai kiểu thuộc
liên tục và thuộc tính rời rạc.
Thuật toán này có sử dụng kỹ thuật tiền xử lý phân loại(Pre sorting) trước
khi xây dựng cây, do đó giải quyết được vấn đề bộ nhớ cho thuật toán ID3.
Thuật toán SLIQ có sử dụng giải thuật cắt tỉa cây hữu hiệu.
Thuật toán SLIQ có thể phân lớp rất hiệu quả đối với các tập dữ liệu lớn và
không phụ thuộc vào số lượng lớp, số lượng thuộc tính và số lượng mẫu trong
tập dữ liệu.
Xây dựng cây quyết định theo thuật toán này chia ra làm 2 giai đoạn:
1. Giai đoạn tạo cây
 Vào: tập dữ liệu học T
 Ra: cây được phân loại trên tập T
Hàm
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
23
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
MakeTree(TrainningData T)
{partition (T) ;}
2. Giai đoạn phân chia tập dữ liệu S
Thủ tục phân loại tập S có giả mã như sau:
Function partition (Data S)
{
If <tất cả các giá trị của tập S đều thuộc cùng một lớp>
Then <kết thúc>

Else{ <Đánh giá mỗi thuộc tính A để phân chia>;
<Tách tập S thành 2 tập con S1 và S2 theo thuộc tính A
mà có giá trị chia tách tốt nhất>;
<Gọi đệ qui thủ tục Partition(S1)>;
<Gọi đệ qui thủ tục Partition(S2)>;
}
}
Chỉ số chia tách (Spliting index):
Vấn đề đặt ra trong thủ tục Partition(S) trên là làm thế nào để đánh giá
thuộc tính tốt nhất cho việc lựa chọn thuộc tính để chia tách. Để đánh giá thuộc
tính tốt nhất đó, thuật toán SLIQ đưa vào một đại lượng, gọi là chỉ số hàm
gini, chỉ số gini được định nghĩa như sau:
 Nếu tập dữ liệu T gồm n lớp thì giá trị gini của tập T ký hiệu gini(T)
được xác định bởi công thức:
2
( ) 1
j
gini T p= −
∑
(2.14)
Trong đó p
j
là tần suất xuất hiện của lớp j trong tập mẫu T.
 Nếu tập T được tách ra làm 2 tập con T1 và T2 thì chỉ số gini của tập
T khi được chia tách ký hiệu là gini(T)
split
được xác định bởi công thức
sau:
1 2
1 2

( ) ( ) ( )
split
T T
gini T gini T gini T
T T
= +
(2.15)
Sau khi tính toán chỉ số gini cho các nút, thuộc tính nào có chỉ số gini
nhỏ nhất sẽ được chọn để thực hiện tiếp việc triển khai cây.
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
24
Trường đại học sư phạm Hà Nội Sinh viên nghiên cứu khoa học
Kỹ thuật tiền xử lý phân loại(Pre_sorting Technique)
Kỹ thuật này tạo ra một lược đồ, lược đồ này được tạo ra bằng cách
sắp xếp dữ liệu tạo ra tại mỗi nút. Ứng với mỗi thuộc tính có một danh sách
riêng tạo ra bởi tập giá trị của thuộc tính và định danh các mẫu dữ liệu. Mỗi
danh sách riêng gọi là danh sách lớp (class list). Các danh sách riêng sẽ tạo ra
tương ứng nhãn của cây gắn với các mẫu học.
Thuật toán SLIQ yêu cầu tại một thời điểm có một danh sách lớp và
chỉ một danh sách thuộc tính được lưu trữ trong bộ nhớ của máy tính, các
danh sách còn lại lưu trên đĩa.
Đánh giá sự phân chia:
Thuật toán đánh giá phân chia:
EvaluateSplits()
{
For <Với mỗi thuộc tính A> do
{ <Duyệt danh sách các giá trị của thuộc tính A>;
For <với mỗi giá trị v trong danh sách thuộc tính > do
<Tìm một mục tương ứng trong danh sách lớp, sau đó hãy tìm
lớp tương ứng với nút lá 1>;

<Cập nhật biểu đồ lớp vào trong nút lá 1>;
If <A là thuộc tính số> Then for <với mỗi nút lá trong cây> do
<Tìm tập con của tập A mà có chỉ số tách là tốt nhất>
}
}
Cập nhật danh sách lớp:
Thuật toán cập nhật danh sách lớp:
UpdateLabels()
{ for<Với mỗi thuộc tính A được sử dụng trong một phép tách> do
{ <Duyệt danh sách các thuộc tính của A>;
Sinh viên: Nguyễn Thị Hạnh – Lớp: C-K54-CNTT
25