Ứng dụng lý thuyết tập thô trong khai phá dữ liệu kinh tế tài chính

1

BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ

—————————

NGUYỄN VIỆT HÀ

ỨNG DỤNG LÝ THUYẾT TẬP THÔ
TRONG KHAI PHÁ DỮ LIỆU
KINH TẾ – TÀI CHÍNH
LUẬN VĂN THẠC SĨ

Ngành: Công nghệ thông tin
Mã số: 1.01.10

NGƢỜI HƢỚNG DẪN KHOA HỌC

PGS.TS Hồ Thuần

HÀ NỘI - 2007


2

MỤC LỤC
MỤC LỤC .................................................................................................... 2
DANH MỤC CÁC TỪ VIẾT TẮT .............. Error! Bookmark not defined.
DANH MỤC CÁC BẢNG ............................ Error! Bookmark not defined.

DANH MỤC CÁC HÌNH VẼ....................... Error! Bookmark not defined.
MỞ ĐẦU ...................................................................................................... 3
CHƢƠNG 1. TỔNG QUAN VỀ LÝ THUYẾT TẬP THÔ VÀ ỨNG
DỤNG TRONG PHÁT HIỆN TRI THỨC ............................................... 5
1.1. Tổng quan về khai phá dữ liệu và phát hiện tri thức .......................... 5
1.2. Một số khái niệm cơ bản................... Error! Bookmark not defined.
1.3. Một số vấn đề KDD trong kinh tế - tài chính .. Error! Bookmark not
defined.
1.4. Tổng kết chương 1 . .......................... Error! Bookmark not defined.
CHƢƠNG 2. PHÁT HIỆN TRI THỨC VÀ ỨNG DỤNG TRONG
CÁC BÀI TOÁN KINH TẾ - TÀI CHÍNH Error! Bookmark not defined.
2.1. Rời rạc hoá dữ liệu số và chuyển chuỗi thời gian vào đối tượng tập
thô. ........................................................... Error! Bookmark not defined.
2.2. Lựa chọn thuộc tính và phân lớp dựa trên quan hệ giá trị gần –VCR
(valued closeness relation)....................... Error! Bookmark not defined.
2.3. Ứng dụng tập thô trong đánh giá công ty ........ Error! Bookmark not
defined.
2.4. Đánh giá chính sách tín dụng của các ngân hàng .. Error! Bookmark
not defined.
2.5 Đánh giá chiến lược thị trường .......... Error! Bookmark not defined.
2.6. Nhận xét và thảo luận một số vấn đề về sử dụng lý thuyết tập thô
trong ứng dụng kinh tế - tài chính ........... Error! Bookmark not defined.
2.7. Tổng kết chương 2 ............................ Error! Bookmark not defined.
CHƢƠNG 3. PHÁT HIỆN TRI THỨC QUA LẬP TRÌNH LOGIC
QUY NẠP VÀ ỨNG DỤNG TRONG PHÁT HIỆN CÁC DẦU HIỆU
TÀI CHÍNH BẤT THƢỜNG ....................... Error! Bookmark not defined.
3.1. Giới thiệu .......................................... Error! Bookmark not defined.
3.2. Lập trình logic qui nạp (Inductive logic programming - LLP)[27]
.................................................................. Error! Bookmark not defined.
3.3. Thuật toán FOIL và FOCL [20, 21] . Error! Bookmark not defined.

3.4. Thuật toán MMDR ........................... Error! Bookmark not defined.
3.5. Ứng dụng MDDR trong phát hiện các điểm bất thường ........... Error!
Bookmark not defined.


3

3.6. Tổng kết chương 3 ............................ Error! Bookmark not defined.
KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN ... Error! Bookmark not defined.
TÀI LIỆU THAM KHẢO ........................................................................ 11


4

MỞ ĐẦU
Trong những năm gần đây, mặc dù đã có nhiều công cụ hỗ trợ đắc
lực cho việc thu thập, lưu trữ, khai thác dữ liệu, song với sự bùng nổ của
thông tin thu thập được đã vượt ra ngoài khả năng của con người để nắm
bắt và khai thác một cách hiệu quả, do vậy trong nhiều trường hợp các
quyết định được đưa ra không dựa vào những thông tin hoặc dữ liệu thu
thập được và chủ yếu dựa vào nhận thức, suy đoán của người ra quyết định.
Bên cạnh đó những khiếm khuyết của các công cụ hỗ trợ đem lại cho người
dùng tình trạng các tri thức lấy ra từ lượng dữ liệu lớn lại thiếu thông tin.
Từ đó phát sinh yêu cầu tự nhiên là tìm kiếm một kỹ thuật mới có các đặc
tính thông minh và khả năng tự động để hỗ trợ con người chắt lọc thông tin
hữu ích trong một khối dữ liệu lớn.
Xuất phát từ những thực tiễn đó, mặc dù lý thuyết tập thô được khởi
xướng từ thập niên tám mươi của thế kỷ trước, song ngày càng được ứng
dụng một cách rộng rãi trong việc phát hiện tri thức, phân tích quyết định,
quy luận quy nạp và nhận dạng mẫu. Nó dường như cũng đặc biệt quan

trọng cho các hệ thống trợ giúp quyết định và khai phá dữ liệu. Thực tế đây
là một cách tiếp cận mới cho việc phân tích dữ liệu.
Từ những vấn đề đó, nội dung đề tài này tập trung vào những vấn đề
cơ bản của lý thuyết tập thô và những ứng dụng của nó trong các bài toán
kinh tế, trong cơ sở dữ liệu thị trường, và trong việc tìm kiếm các yếu tố bất
thường trong lĩnh vực tài chính ngân hàng.
Mục tiêu nhiệm vụ và phạm vi nghiên cứu
Nắm vững cơ sở lý thuyết, các khái niệm cơ bản, khái quát về các
phương pháp ứng dụng lý thuyết tập thô trong khai phá dữ liệu; nghiên cứu
mô hình tập thô trong các bài toán kinh tế: phương pháp, mô hình phân tích
lượng dữ liệu lớn trên cơ sở lý thuyết tập thô, với các ví dụ điển hình của
ứng dụng lý thuyết tập thô để giải quyết các vấn để hỗ trợ quyết định 3 lĩnh


5

vực: đánh giá công ty, chính sách tài chính của ngân hàng, chiến lược thị
trường.
Tìm hiểu ứng dụng mô hình tập thô trong nghiên cứu thị trường qua
cơ sở dữ liệu, khám phá các yếu tố, các điểm bất thường trong lĩnh vực tài
chính sử dụng lập trình suy luận quy nạp.
Bố cục luận văn
- Chương 1: Trình bày tổng quan về khai phá dữ liệu và phát hiện tri
thức, giới thiệu khái niệm, nhiệm vụ chính của khai phá dữ liệu và phát
hiện tri thức. Trình bày chi tiết về lý thuyết tập thô bao gồm: hệ thống
thông tin, quan hệ không phân biệt được, xấp xỉ tập, rút gọn và lõi của tập
các thuộc tính, hàm thành viên thô, độ chính xác và chất lượng xấp xỉ. Giới
thiệu một số vấn đề về khai phá dữ liệu - phát hiện tri thức trong lĩnh vực
kinh tế tài chính.
- Chương 2 : Trình bày ứng dụng cách tiếp cận tập thô trong dự báo

kinh tế - tài chính, bao gồm: lựa chọn và rời rạc hoá các thuộc tính giá trị
dạng số, hệ thống thông tin biểu thị thời gian, chuyển đổi chuỗi thời gian
vào các đối tượng tập thô, chuỗi dẫn xuất, lựa chọn các thuộc tính để qui
nạp luật quyết định dựa trên tập thô, quá trình phân lớp các đối tượng mới
theo các luật quyết định dựa trên quan hệ giá trị gần – VCR, giới thiệu ứng
dụng trong 3 bài toán kinh tế: đánh giá công ty, đánh giá chính sách tín
dụng và chiến lược thị trường.
- Chương 3 : Tập trung tìm hiểu phương pháp khai phá dữ liệu quan
hệ dựa trên lập trình logic qui nạp (ILP). Giới thiệu mô hình khai phá dữ
liệu quan hệ, luật và logic cấp 1, các thuật toán khai phá dữ liệu quan hệ
FOIL, FOCL, và thuật toán MMDR để khám phá các yếu tố bất thường
trong lĩnh vực kinh tế.


6

Chƣơng 1

TỔNG QUAN VỀ LÝ THUYẾT TẬP THÔ VÀ ỨNG
DỤNG TRONG PHÁT HIỆN TRI THỨC

1.1. Tổng quan về khai phá dữ liệu và phát hiện tri thức
1.1.1 Những tiến bộ trong công nghệ CSDL [2]
Nhu cầu tích luỹ và xử lý các dữ liệu nảy sinh trong mọi công việc,
trong mọi hoạt động của con người, trong mọi vấn đề từ kỹ thuật, kinh tế xã hội đến hoạt động quản lý. Thập niên 1960 gắn liền với các sản phẩm
đầu tiên của hệ quản trị tệp, xuất hiện bộ nhớ ngoài, như là bộ nhớ trong lý
tưởng [2]. Giữa những năm 60, thế hệ đầu của hệ quản trị cơ sở dữ liệu
đánh dấu bằng việc phân rõ, mô tả những dữ liệu của chương trình ứng
dụng và ngôn ngữ truy nhập bên trong, bằng các lệnh hỏi phi thủ tục, người
ta có thể truy nhập dữ liệu, tìm đến các bản ghi thay vì phải đi theo cấu trúc

lưu trữ vật lý của dữ liệu (Hệ QTCSDL mạng).
Thập niên 1970, mô hình dữ liệu quan hệ, cài đặt hệ quản trị CSDL
quan hệ. Mô hình quan hệ giúp đơn giản hoá việc truy nhập dữ liệu của
người sử dụng bên ngoài.
Thập niên 1980, xuất hiện hệ QTCSDL quan hệ, các mô hình dữ liệu
nâng cao (quan hệ mở rộng, hướng đối tượng, suy diễn, v.v.) và các hệ
quản trị CSDL hướng ứng dụng (không gian, khoa học, cộng nghệ, vv..).
Từ thập niên 1990 - những năm 2000: khai phá dữ liệu (data mining)
và kho dữ liệu (data warehouse), cơ sở dữ liệu đa phương tiện, cơ sở dữ liệu
web .
1.1.2. Dữ liệu, Thông tin và Tri thức [14 ]


Dữ liệu (data): Chúng ta thường thu thập và nhìn thấy hàng ngày, ví

dụ: một chuỗi các bit, các con số, kí tự, biểu tượng, hay một đối tượng,...


7



Thông tin (Information): Là ―dữ liệu‖ đã được loại bỏ các phần dư

thừa, không cần thiết. Thông tin mô tả các đặc trưng, thuộc tính của ―dữ
liệu‖ với chi phí nhỏ nhất.


Tri thức (Knowledge) :
o

Là sự tích hợp các ―thông tin‖ bao gồm cả quan hệ, là sự đúng

đàn đã được kiểm nghiệm, là sự khám phá, sự hiểu biết,...
o

Nói cách khác tri thức có thể được xem như dữ liệu ở mức cao

của của quá trình trừu tượng hóa và khái quát hoá.

1.1.3. Khai phá dữ liệu và phát hiện tri thức
Nếu cho rằng các điện tử và các sóng diện từ chính là bản chất của
công nghệ điện tử truyền thống thì dữ liệu, thông tin và tri thức hiện dang
là tiêu điểm của một lĩnh vực mới trong nghiên cứu và ứng dụng về phát
hiện tri thức (Knowledge Discovery) và khai phá dữ liệu (Data Mining) [3].
Phát hiện tri trong cơ sở dữ liệu thức (Knowledge discovery in
Database - KDD) là tiến trình nhận diện các dạng/các mô hình cơ bản hiểu
được, có giá trị, mới lạ, nhiều tiềm năng hữu ích. Khai phá dữ liệu (Data
mining) là một bước trong tiến trình phát hiện tri thức, bao gồm một số
thuật toán khai phá dữ liệu cụ thể theo một vài giới hạn tính toán chấp nhận
được, nhằm tìm ra các dạng, các mô hình trong dữ liệu [14, 20, 311]. Nói
cách khác, mục tiêu của phát hiện tri thức và khai phá dữ liệu là tìm ra các


8

dạng các mô hình quan tâm chứa đựng trong cơ sở dữ liệu mà được che dấu
ở giữa các tập lớn dữ liệu.
Khai phá dữ liệu là một khái niệm ra đời vào những năm cuối của
thập kỷ 80. Nó bao hàm một loạt các kỹ thuật nhằm phát hiện ra các thông

tin có giá trị tiềm ẩn trong các tập dữ liệu lớn (các kho dữ liệu). Về bản
chất, khai phá dữ liệu liên quan đến việc phân tích các dữ liệu và sử dụng
các kỹ thuật để tìm ra các mẫu hình có tính chính quy (regularities) trong
tập dữ liệu.
Thuật ngữ khai phá dữ liệu (data mining) ám chỉ việc tìm kiếm một
tập hợp nhỏ có giá trị từ một số lượng lớn các dữ liệu thô. Có nhiều thuật
ngữ hiện được dùng cũng có nghĩa tương tự với từ data mining như
knowledge mming (khai phá tri thức), knowledge extraction (chắt lọc tri
thức), data/pattern analysis (Phân tích dữ liệu/mẫu), data archaeology
(khảo cồ dữ liệu), data dredging (nạo vét dữ liệu). Hiện nay, thuật ngữ khai
phá dữ liệu (data mining) được dùng quá quen thuộc và người ta thường
đồng nhất với thuật ngữ Knowledge Discovery in Databases (KDD).
Còn các nhà thống kê thì xem khai phá dữ liệu như là một qui trình
phân tích được thiết kế để 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 các tập con mới của dữ liệu.
Qui trình này bao gồm ba giai đoạn cơ bản: thăm dò, xây dựng mô hình
hoặc định nghĩa mẫu, hợp thức/kiểm chứng [3].


9

 Trích chọn dữ liệu: chọn lọc dữ liệu từ các nguồn dữ liệu nhằm phục
vụ mục đích khai phá tri thức theo những tiêu chí xác định. Ví dụ, từ
CSDL về bán hàng, ta chọn ra các dữ liệu về khách hàng, đơn đặt
hàng, hoá đơn,
 Tiền xử lý: làm sạch và làm giàu dữ liệu. Làm đầy đủ dữ liệu, xử lý
nhiễu, những vấn đề không nhất quán, v.v. Ví dụ, một khách hàng có
thể được lưu ở nhiều bản ghi có thể có những tên, địa chỉ khác nhau,

cần phải chỉnh sửa để đảm bảo nhất quán và chính xác về khách
hàng đó. Những dữ liệu khác nhau về khuôn dạng, đơn vị đo lường,
v.v. cần phải có những qui định thống nhất và cách chuyển về một
dạng chung.
 Biến đổi dữ liệu: thực hiện bước mã hoá dữ liệu và chạy các chương
trình tiện ích nhằm tự động hoá việc kết xuất, biến đổi và di chuyển
dữ liệu để khai phá dữ liệu .
 Khai phá dữ liệu: thực hiện phân tích và ra quyết định. Đây là bước
áp dụng các kỹ thuật khai thác để khai phá, trích chọn ra các mẫu tin,
những mối quan hệ đặc biệt trong kho.
 Biểu diễn tri thức và đánh giá: các kết quả khai thác được có thể
tổng hợp dưới dạng các báo cáo nhằm hỗ trợ cho trợ giúp quyết định.
Các dạng biểu diễn thường là phải trực quan, dưới dạng đồ hoạ, cây,
bảng biểu, hay các luật v.v
1.1.4. Các bước của quá trình khai phá dữ liệu
Các giải thuật khai phá dữ liệu thường được miêu tả như những
chương trình hoạt động trực tiếp trên tệp dữ liệu. Với các phương pháp học
máy và thống kê trước đây, thường thì bước đầu tiên là các giải thuật nạp
toàn bộ tệp dữ liệu vào trong bộ nhớ. Khi chuyển sang các ứng dụng công
nghiệp liên quan đến việc khai phá các kho dữ liệu lớn, mô hình này không
thể đáp ứng được. Không chỉ bởi vì nó không thể nạp hết dữ liệu vào trong


10

bộ nhớ mà còn vì khó có thể chiết xuất dữ liệu ra các tệp đơn giản để phân
tích được.
Quá trình xử lý khai phá dữ liệu bắt đầu bằng cách xác định chính
xác vấn đề cần giải quyết. Sau đó sẽ xác định các dữ liệu liên quan dùng để
xây dựng giải pháp.

Bước tiếp theo là thu thập các dữ liệu có liên quan và xử lý chúng
thành dạng sao cho giải thuật khai phá dữ liệu có thể hiểu được. Về lý
thuyết thì có vẻ rất đơn giản nhưng khi thực hiện thì đây thực sự là một quá
trình rất khó khăn, gặp phải rất nhiều vướng mắc như: các dữ liệu phải
được sao ra nhiều bản (nếu được chiết xuất vào các tệp), quản lý tập các
tệp, các tệp dữ liệu, phải lặp đi lặp lại nhiều lần toàn bộ quá trình (nếu mô
hình dữ liệu thay đổi), v.v. Có rất nhiều các giải thuật khai phá dữ liệu thực
hiện dựa trên những thống kê tóm tắt khá đơn giản của CSDL, khi mà toàn
bộ thông tin trong CSDL là quá dư thừa đối với mục đích của việc khai phá
dữ liệu.
Bước tiếp theo là chọn thuật toán khai phá dữ liệu thích hợp và thực
hiện việc khai phá dữ liệu để tìm được các hình mẫu (pattern) có ý nghĩa
dưới dạng biểu diễn tương ứng với các ý nghĩa đó (thường được biểu diễn
dưới dạng các luật xếp loại, cây quyết định, luật sản xuất, biểu thức hồi
quy, .. ).
Đặc điểm của mẫu là phải mới (ít nhất là đối với hệ thống đó). Độ
mới có thể được đo tương ứng với độ thay đổi trong dữ liệu bằng cách so
sánh các giá trị hiện tại với các giá trị trước đó hoặc các giá trị mong
muốn), hoặc bằng tri thức (mối liên hệ giữa phương pháp tìm mới và
phương pháp cũ như thế nào). Thường thì độ mới của mẫu được đánh giá
bằng một hàm logic hoặc hàm đo độ mới, độ bất ngờ của mẫu. Ngoài ra,
mẫu phải có khả năng sử dụng tiềm tàng. Các mẫu này sau khi được xử lý
và diễn giải phải dẫn đến những hành động có ích nào đó được đánh giá bởi
một hàm lợi ích.Với các giải thuật và các nhiệm vụ của khai phá dữ liệu rất


11

khác nhau, dạng của mẫu chiết xuất được cũng rất da dạng. Dạng của mẫu
chiết xuất được có thể được phân loại bởi kiểu mẫu dữ liệu mà nó mô tả.

Kỹ thuật khai phá dữ liệu thực chất không có gì mới. Nó là sự kế
thừa, kết hợp và mở rộng của các kỹ thuật cơ bản đã được nghiên cứu từ
trước như học máy, nhận dạng, thống kê (hồi quy, xếp loại, phân cụm), các
mô hình đồ thị, mạng Bayes, trí tuệ nhân tạo, thu thập tri thức hệ chuyên
gia, v.v . . . Tuy nhiên, với sự kết hợp tài tình của khai phá dữ liệu, kỹ thuật
này có ưu thế hơn hẳn các phưng pháp trước đó, đem lại nhiều triển vọng
trong việc ứng dụng phát triển nghiên cứu khoa học cũng như làm tăng
mức lợi nhuận trong các hoạt động kinh doanh.
1.1.5. Nhiệm vụ chính của khai phá dữ liệu [14, 31]
Rõ ràng mục đích của khai phá dữ liệu là các tri thức chiết xuất sẽ
được sử dụng cho lợi ích cạnh tranh trên thương trường và các lợi ích trong
nghiên cứu khoa học.
Do đó, ta có thể coi mục đích chính của khai phá dữ liệu là mô tả
(description) và dự đoán (prediction). Các hình mẫu mà khai phá dữ liệu
phát hiện được nhằm vào các mục đích này. Dự đoán liên quan đến việc sử
dụng các biến hoặc các trường trong cơ sở dữ liệu để chiết xuất ra các hình
mẫu là các dự đoán những giá trị chưa biết hoặc những giá trị trong tương
lai của các biến quan tâm. Mô tả tập trung vào việc tìm kiếm các hình mẫu
mô tả dữ liệu mà con người có thể hiểu được. Để đạt được hai mục đích
này, nhiệm vụ chính của khai phá dữ liệu bao gồm như sau [14, 31] Phân
lớp (Classification):
- Phân lớp là việc tự học một hàm, hàm này ánh xạ (hay phân loại)
một mục dữ liệu vào một trong số các lớp đã xác định trước (Hand 1981;
Weiss & Kulilowski 1992) .


12

TÀI LIỆU THAM KHẢO
Tiếng Việt

1. Hồ Thuần, Hồ Cẩm Hà (2004, 2005), Các hệ cơ sở dữ liệu: Lý
thuyết và thực hành, NXB Giáo dục.
2. Nguyễn Thanh Thuỷ (2003), Phát hiện trị thức và khai phá dữ
liệu: Công cụ, phương pháp và ứng dụng.
3. Nguyễn Trung Tuấn (2004), "Kỹ thuật phát hiện tri thức và khai
phá dữ liệu, ứng dụng trong bài toán dự báo thông tin kinh tế - xã hội"; Tạp
chí Bưu chính viễn thông.
Tiếng Anh
4. Adam Mrozek, Krzysztof Skabek (1998), "Rough sets in
Economic applications"
5. AI. Dimitras, R.Slowinski, R.Susmaga, C. Zopounidis (1999)
"Business failure prediction using rough sets"
6 . Andrzej Skowron (2001), "Rough sets in KDD"
7. Boris Kovalerchuk, Evgenii Vityaev (2004), Chapter 1 - Data
Mining for Financial Applications
8. Boris Kovalerchuk, Evgenii Vityaev (1998), "Inductive logic
programming for financial regularities"
9. Boris Kovalerchuk, Evgenii Vityaev (1998 ), ―Symbolic
Methodology in Numeric Data Mining: Relational Techniques for
Financial Applications"
10 Boris Kovalerchuk, Evgenii Vityaev (2000), Data mining In
Finance Advances in Relational and Hybrid Methods - Kluwer Academic
Publishers
11. D.Poel (1998), "Rough sets for Database marketing"
12. Dimitri Pissarenko (2002), Neural networks for financial time
series prediction


13

13. Francis E .H, Lixiang Shen (2001), "Economic and Financial
prediction using rough sets model"
14. Ho Tu Bao (1996) Introduction to Knowledge discovery and
Data mining Institute of Information Technology, National Center for'
Natural Science and Technology.
15. Huan Liu and Rudy Setiono (1995), ―Chi2: Feature selection and
Discretization of Numeric Attributes"
16. Hung Son Nguyen, Sinh Hoa Nguyen (1998), "Discretization
Methods in Data Mining"
17. Jan C.Bioch and Viara Popova (2001), "Bankrupcy Prediction
with rough sets"
18. Jan Komorowski, Zdzislaw Pawlak, Lech Polkowski, Andrzej
Skowron (1995), ―rough Sets : A Tutorial".
19. Jerzy W.Grzymala-busse (2004), "Three Approachs to missing
attributes values - A rough set Perspective"
20. J.K Baterzen (1996), An attempt to predict stock market data : a
rough sets approach, Diploma thesis
21. Jitender S. Deogun, "Data mining : Research Trends, Challenges,
and Applications"
22. Lixiang Shen (2001), data mining techniques based on rough set
theory, Doctoral Thesis, national university of singapore
23. Lixiang Shen, Han Tong Loh (2003), "Applying Rough sets to
Market timing decisions"
24. Maria C. Femlandez-baizán - Emestina Menasalvas Ruiz - José
M.Pena Sánchez , Integrating RDMS and Data mining capabilities using
Rough sets.
25. M.J. Segovia, J.A Gil, A.Hera, J.L Vilar, A.Sanchis (2003),
"Using Rough sets to Predict Insovenlcy of Spanish non-life insurance
companies"

14

26. M. Zhang, J.T Yao(2001) , "A rough sets based approach to
feature selection"
27. Nada Lavrac (2001), "Relational data mining and subgroup
discovery"
28 . Ning Zhong, Juzhen Dong (2001), "Using rough sets with
heuristic for feature selection"
29. Ronald Braciman: "The Process of knowledge Discovery In
Databases"
30. Stefan Zemke (2003), Data Mining for Prediction: Financial
Series Case - Doctoral Thesis -The Royal Institute of Technology
Department of Computer and Systems Sciences -December 2003
31. Usima N Fayyad, Gregory Piatetsky Shapno, Padhraic Smyth:
―From Data mining to Knowledge Discovery : An Overview"
32. Vijay V. Raghavan, "State of Rough sets for Database Mining
Appplications"
33. Y.Y. Yao (1996), ―two views of theory of Rough sets in Finite
Universes"
34 . Zdzislaw Pawlak (1995), "Rough sets Present state and further
Prospects"
35. [DL92]: Reduct System, Inc: DataLogic/R reference Manual,
Regina, Canada (1992)
36. [Sijach 93]:Sierpinska, M, Jacha: The company evaluation
according to international standard, Wydawnnictwo Naukowe, Warszawa
(1993)
37.[Skabek 96] Skabek, K.: Computer supporting credit decision.
The Master thesis, silesian Technical University, Gliwice (1996)
38.[Debski94] Debski,W.: Bank risk. Bank i Kredyt 10 (1994)