Tải bản đầy đủ (.doc) (74 trang)

Tìm hiểu các phương pháp phân cụm dữ liệu ứng dụng xây dựng bản đồ phân bố bệnh trên địa bàn tỉnh thái nguyên

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (1.66 MB, 74 trang )

ĐẠI HỌC THÁI NGUYÊN
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG

NGUYỄN MINH TÚ

TÌM HIỂU CÁC PHƯƠNG PHÁP CỤM DỮ LIỆU ỨNG DỤNG XÂY DỰNG BẢN ĐỒ PHÂN BỐ
BỆNH TRÊN ĐỊA BÀN TỈNH THÁI NGUYÊN
Mã số: 60480101
Người hướng dẫn khoa học: TS. NGUYỄN MINH HẢI

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH

Thái Nguyên - 2015




LỜI CẢM ƠN
Em xin chân thành cảm ơn Trường Đại học Công nghệ Thông tin và Truyền thông –
Đại học Thái Nguyên đã tạo điều kiện cho em thực hiện luận văn này.
Em xin gửi lời cảm ơn sâu sắc tới thầy giáo TS Nguyễn Hải Minh, trưởng khoa Công
nghệ thông tn – Trường Đại học Công nghệ Thông tn và Truyền thông – Đại học Thái
Nguyên đã trực tếp hướng dẫn em trong quá trình thực hiện luận văn.
Em cũng xin gửi lời cảm ơn tới các thầy, cô đã có những ý kiến đóng góp bổ ích và
đã tạo mọi điều kiện tốt nhất cho em trong suốt thời gian thực hiện luận văn. Xin cảm ơn
các bạn học đồng khóa đã thường xuyên động viên, giúp đỡ tôi trong quá trình học tập.
Cuối cùng, em xin gửi lời cảm ơn đến gia đình và đồng nghiệp vì sự ủng hộ và động
viên đã dành cho em trong suốt quá trình học tập cũng như thực hiện luận văn này.

Thái Nguyên, tháng 11 năm 2015
Học viên



Nguyễn Minh Tú




LỜI CAM ĐOAN

Em xin cam đoan về nội dung đồ án tốt nghiệp với tên đề tài “Tìm hiểu
các phương pháp phân cụm dữ liệu ứng dụng xây dựng bản đồ phân bố bệnh trên địa
bàn tỉnh Thái Nguyên” không sao chép nội dung từ các luận văn khác, hay các sản
phẩm tương tự mà không phải do em làm ra. Sản phẩm luận văn là do chính bản thân em
tm hiểu và xây dựng nên.
Nếu có gì sai em xin chịu mọi hình thức kỷ luật của Trường Đại học Công nghệ
Thông tn và Truyền thông – Đại học Thái Nguyên.

Thái Nguyên, tháng 11 năm 2015
Học viên

Nguyễn Minh Tú




MỤC LỤC
LỜI CẢM ƠN ..............................................................................................................i LỜI
CAM

ĐOAN


.....................................................................................................

iii

MỤC

LỤC..................................................................................................................iv DANH MỤC
BẢNG ..................................................................................................vi DANH MỤC CÁC
HÌNH

VẼ...................................................................................vii

MỞ

..................................................................................................................... 1
MÔT SÔ KÊT QUA NGHIÊN CƯU KHAC ............................................................. 2
CHƯƠNG I. KHAI PHÁ DỮ LIỆU .......................................................................... 3
1.1. Tổng quan khai phá dữ liệu ............................................................................. 3
1.2. Quá trình khám phá tri thức và khai phá dữ liệu ............................................. 3
1.2.1. Quá trình khám phá tri thức ...................................................................... 3
1.2.2. Quá trình khai phá dữ liệu ......................................................................... 6
1.3. Các kỹ thuật trong khai phá dữ liệu ................................................................. 7
1.4. Môt sô thach thưc trong khai pha dư liêu ...................................................... 10
CHƯƠNG II. PHÂN CUM DƯ LIÊU VA CAC THUÂT TOANPHÂN CUM ...... 12
2.1. Khái niệm phân cụm dữ liệu .......................................................................... 13
2.1.1. Một số định nghĩa .................................................................................... 13
2.1.2. Dữ liệu và độ đo ...................................................................................... 13
2.2. Các yêu cầu đối với phương pháp phân cụm dữ liệu .................................... 14
2.3. Các kỹ thuật phân cụm .................................................................................. 16
2.3.1. Các kỹ thuật phân cụm cơ bản ................................................................ 16

2.3.2. Các kỹ thuật phân cụm khác.................................................................... 17
2.3.3. Một số têu chuẩn đánh giá hiệu quả phân cụm ...................................... 23
2.4. Một số thuật toán trong phân cụm dữ liệu ..................................................... 24
2.4.1. Các thuật toán phân cụm phân hoạch ...................................................... 24
2.4.2. Các thuật toán phân cụm phân cấp .......................................................... 32
2.4.3. Các thuật toán phân cụm dựa trên mật độ ............................................... 38


ĐẦU


2.4.3. Các thuật toán phân cụm dựa vào lưới .................................................... 42
2.4.4. Các thuật toán phân cụm dựa trên mô hình ............................................. 44
CHƯƠNG 3: XÂY DƯNG BAN ĐÔ PHÂN BÔ BÊNH ........................................ 46
3.1. Bài toán phân cụm dữ liệu hồ sơ bệnh án ...................................................... 46
3.2. Dữ liệu và têu chí xác định ........................................................................... 46
3.2.1. Một số đặc điểm tập dữ liệu gốc ............................................................. 46
3.2.2. Tiền xử lý dữ liệu gốc ............................................................................. 48
3.3. Lựa chọn phương pháp phân cụm ................................................................. 54
3.4. Kết quả phân cụm dữ liệu mẫu ...................................................................... 55
3.5. Biểu điễn kết quả phân bố bệnh trên bản đồ.................................................. 61
KÊT LUÂN ............................................................................................................... 63
TÀI LIỆU THAM KHẢO......................................................................................... 65




DANH MỤC BẢNG

Bảng 3.1: Các loại bệnh và ký hiệu ..........................................................................55

Bảng 3.2: Các khu vực hành chính và ký hiệu..........................................................56
Bảng 3.3: Dữ liệu đầu vào cho phân cụm phân cấp ..................................................56
Bảng 3.4: Biểu diễn kết quả phân cụm chi tết .........................................................59
Bảng 3.5: Biểu diễn kết quả phân cụm theo têu chí bệnh ........................................61




DANH MỤC CÁC HÌNH VẼ

Hình 1.1: Các giai đoạn trong quá trình khám phá tri thức ........................................4
Hình 1.2: Quá trình khai phá dữ liệu...........................................................................7
Hình 2.1: Ví dụ về phân cụm theo mật độ[4]............................................................18
Hình 2.2: Cấu trúc phân cụm dựa trên lưới[4] ..........................................................19
Hình 2.3: Ví dụ về phân cụm dựa trên mô hình[4] ...................................................20
Hình 2.4: Cách mà các cụm có thể đưa ra.................................................................22
Hình 2.5: Thuật toán k-means ...................................................................................25
Hình 2.6: Sự thay đổi tâm cụm trong k-means khi có phần tử ngoại lai ..................28
Hình 2.7: Phân cụm phân cấp tập theo phương pháp “dưới lên” [4] ........................33
Hình 2.8: Single link .................................................................................................33
Hình 2.9: Complete link ............................................................................................33
Hình 2.10: Các bước cơ bản của AGNES[4] ............................................................35
Hình 2.11: Các bước cơ bản của DIANA[4] ............................................................36
Hình 2.12: Cấu trúc cây CF.......................................................................................37
Hình 2.13: Hình dạng các cụm được khám phá bởi thuật toán DBSCAN ...............40
Hình 2.14: Sắp xếp cụm trong OPTICS phụ thuộc vào [4].....................................41
Hình 3.1: Sơ đồ khối giải quyết bài toán ..................................................................46
Hình 3.2: Phân tch dữ liệu gốc, thuộc tnh “HO TEN” ...........................................49
Hình 3.3: Dữ liệu gốc sau khi loại bỏ thuộc tnh thừa và dữ liệu trùng lặp ..............50
Hình 3.4: Phân tch dữ liệu gốc, thuộc tnh “QUAN HUYEN” ...............................51

Hình 3.5: Loại bỏ một số giá trị của thuộc tnh “QUAN HUYEN” .........................52
Hình 3.6: Dữ liệu trước và sau khi lọc thuộc tính “CHUAN DOAN DAU RA” .....53
Hình 3.7: Cấu và phân bố dữ liệu mẫu......................................................................58
Hình 3.8: Thiết lập tham số thuật toán K-means ......................................................58
Hình 3.9: Kết quả phân cụm chi tết .........................................................................59
Hình 3.10: Kết quả phân cụm dựa trên loại bệnh .....................................................60



Hình 3.11: Bản đồ phân bố bệnh các khu vực ..........................................................62

Số hóa bởi Trung tâm Học liệu – ĐHTN


1

MỞ ĐẦU

Đề tài tìm hiểu các phương pháp phân cụm dữ liệu, đánh giá ưu nhược điểm của
mỗi phương pháp để tm ra phương pháp phù hợp áp dụng trên tập dữ liệu mẫu. Kết quả
sẽ được dùng để xây dựng bản đồ phân bố bệnh trên địa bàn tỉnh Thái Nguyên nhằm
hỗ trợ công tác lên kế hoạch dự trù cơ sở vật chất, thuốc và các trang thiết bị khác cho các
trung tâm y tế của Tỉnh.
Thái Nguyên là một tỉnh trung du miền núi thuộc vùng Đông Bắc của Việt Nam với
2
diện tích hơn 3500 km và dân số khoảng hơn một triệu người; bao gồm 9 đơn vị hành
chính: Thành phố Thái Nguyên; Thị xã Sông Công và 7 huyện: Phổ Yên, Phú Bình, Đồng Hỷ,
Võ Nhai, Định Hóa, Đại Từ, Phú Lương. Trong đó, tổng số gồm
180 xã, trong đó có 125 xã vùng cao và miền núi, còn lại là các xã đồng bằng và trung
du.Tỉnh Thái Nguyên có nhiều dân tộc anh em sinh sống. Tuy nhiên, dân cư phân bố không

đều, vùng cao và vùng núi dân cư rất thưa thớt, trong khi đó ở thành thị và đồng bằng dân
2
cư lại dày đặc. Mật độ dân số thấp nhất là huyện Võ Nhai 72 người/ km , cao nhất là
2
Thành phố Thái Nguyên với mật độ 1.260 người/ km .
Do sự khác biệt lớn trong cơ cấu dân số, lối sống, trình độ dân trí nên có
những sự khác biệt đáng kể trong các hình thức bệnh trong các khu vực hành chính khác
nhau. Nếu các thông tn về hình thức bệnh và các vấn đề sức khỏe trong mỗi khu vực
hành chính được thu thập đầy đủ, nó sẽ có thể sẽ giúp việc phân bổ nguồn lực hiệu quả
để phát triển các chính sách y tế công cộng cho các khu vực khác nhau.
Luận văn sử dụng các kỹ thuật khai thác dữ liệu để phân tch dữ liệu y tế thuộc
Đại học Y Dược Thái Nguyên trongbốn tháng đầu năm 2015. Hy vọng rằng việc sử dụng
các công cụ này một cách hiệu quả có thể phân tch và điều tra hình thức bệnh trong khu
vực hành chính khác nhau của Thái Nguyên để tếp tục xây dựng một bản đồ y tế cho tỉnh
Thái Nguyên.




2

MÔT SÔ KÊT QUA NGHIÊN CƯU KHAC
Ching-Kuo Wei et al. [2] Nghiên cứu này sử dụng các kỹ thuật khai phá dữ liệu điều
tra các loại bệnh trong các khu vực hành chính khác nhau và phân tích sự khác nhau giữa
các khu vực hành chính để tiếp tục xây dựng một bản đồ phân bố bệnh.
Nghiên cứu hy vọng sẽ giúp xây dựng trong tương lai các chiến lược y tế và phân
bố các nguồn lực một cách thích hợp.
Lavrac [4] đề xuất một số kỹ thuật khai thác dữ liệu có thể được áp dụng trong
y học, và đặc biệt là một số kỹ thuật máy học bao gồm các cơ chế mà làm cho chúng phù
hợp hơn cho việc phân tch cơ sở dữ liệu y tế (nguồn gốc của các quy tắc mang tnh biểu

tượng, sử dụng các kiến thức nền, độ nhạy và độ đặc hiệu của giới thiệu gây ra). Tầm quan
trọng của thông dịch các kết quả phân tch dữ liệu là thảo luận và minh họa trên các ứng
dụng y tế đã chọn.
Lavrac et al. [5] đề xuất một phương pháp khai thác dữ liệu và công nghệ trực
quan được sử dụng để hỗ trợ việc ra quyết định liên quan đến sức khỏe cộng đồng tại
Slovenia.Mục đích nhằm khai thác cơ sở dữ liệu y tế công cộng để xác định khả năng
đáp ứng của các dịch vụ y tế công cộng đối với các khu vực. Các kết quả có thể sử dụng để
phát triển các chính sách chăm sóc sức khỏe cơ quan y tế.




3

CHƯƠNG I. KHAI PHÁ DỮ LIỆU
1.1. Tổng quan khai phá dữ liệu
Cùng với sự phát triển mạnh mẽ của công nghệthông tn,lượng thông tn của nhân
loại đượclưu trữ trên các thiết bị điện tử, các hệ thống thông tn ngày một tăng. Việc ứng
dựng công nghệ thông tn mạnh mẽ, sâu rộng trong nhiều lĩnh vực: khoa học, kinh doanh,
chứng khoán, thương mại, giao dịch,… đã tch lũy nên nguồn dữ liệu khổng lồ.Sự bùng nổ
này đãdẫn tới một yêu cầu cấp thiết là cần có những kỹ thuật và công cụ mới để tựđộng
chuyển đổi lượng dữ liệu khổng lồ kia thành các tri thức có ích. Do đó, khai phá dữ liệu
(Data Mining) và các kỹ thuật phai phá dữ liệu ra đời đã phần nào giải quyết được được
yêu cầu trên.
Trithức được xem như là các thông tn tích hợp, bao gồm các sự kiện và
mốiquan hệ giữa chúng, đã được nhận thức, khám phá, hoặc nghiên cứu. Nói
cáchkhác, tri thức có thể được coi là dữ liệu ở mức độ cao của sự trừu tượng vàtổng
quát.
Khám phá tri thức là quá trình tìm ra những tri thức, đó là những mẫu tm ẩn, trước
đó chưa biết và là thông tn hữu ích đáng tn cậy.Khai phá dữ liệu là một bước trong quá

trình khám phá tri thức, gồmcác thuật toán khai thác dữ liệu chuyên dùng dưới một số qui
định về hiệu quảtnh toán chấp nhận được để tìm ra các mẫu hoặc các mô hình trong dữ
liệu.Nói cách khác, mục têu của khai phá dữ liệu là tìm kiếm các mẫu hoặc môhình tồn tại
trong cơ sở dữ liệu (CSDL) nhưng ẩn trong khối lượng lớn dữ liệu.
Khám phá tri thức từ CSDL là một quá trình sử dụng các phương pháp và công cụ tin
học để khám phá,lựa chọn được tập con dữ liệu tốt, từ đó phát hiện các mẫu phù hợp với
mục tiêu đề ra. Đó chính là tri thức, được rút ra từ CSDL, thường để phục vụ cho việc giải
quyết một loạt nhiệm vụ nhất định trong một lĩnh vực nhất định.
1.2. Quá trình khám phá tri thức vàkhai phá dữ liệu
1.2.1 . Quá trình khám phá tri thức




4

Quá trình khám phá tri thức là một quá trình bao gồm nhiều giai đoạnvới nhiều
hoạt động tương tác giữa con người và CSDL thông qua việc hỗ trợ của các phương pháp,
thuật toán cũng như các công cụ tn học. Tri thức được rút ra từ các CSDL để phục vụ cho
việc giải quyết một loạt nhiệm vụ nhất định trong một lĩnh vực nào đó. Do đó quá trình
khám phá tri thức cũng mang tnh chất hướng nhiệm vụ, không phải phát hiện mọi tri
thức được bất kỳ mà phát hiện tri thức nhằm giải quyết tốt vấn đề đặt ra.

Hình 1.1: Các giai đoạn trong quá trình khám phá tri thức
Quá trình khám phá tri thức gồm sáu giai đoạn[1] như hình 1.1. Bắt đầu của quá
trình là kho dữ liệu thô và kết thúc với tri thức đượcchiết xuất ra. Đây là một quátrình rất
khó khăn gặp phải rất nhiều vướng mắc: quản lý các tập dữ liệu,phải lặp đi lặp lại toàn bộ
quá trình, ...
1. Gom dữ liệu: Tập hợp dữ liệu là bước đầu tên trong quá trìnhkhai phá dữ liệu.
Đây là bước được khai thác trong một cơ sở dữliệu, một kho dữ liệu nguồn thông tn

Internet.
2. Trích lọc dữ liệu : Ở giai đoa n này dữ liệu được lựa chọn hoặcphân chia
theomột số têu chuẩn nào đó phục vụ mục đích khaithác.
3. Làm sạch, tền xử lý và chuẩn bị trước dữ liệu: Dữ liệu cần được làm sạch để
khắc phục đối với trường dữ liệu rỗng, dư thừa hoặc dữ liệu không hợp lệ. Giai




5

đoạn này là một bước rấtquan trọng trong quá trình khai phá dữ liệu. Một số lỗi
thườngmắc phải trong khi gom dữ liệu là tính không đủ chặt chẽ.Vì vậy, dữ liệu
thường chứa các giá trị vô nghĩa và không có khảnăng kết nối dữ liệu. Giai đoạnnày
sẽ tiến hành xử lý những dạng dữ liệu không chặt chẽ nóitrên. Những dữ liệu dạng được
xem như thông tin dư thừa,không có giá trị sẽ được loại bỏ. Dữ liệu này nếu không được
“làm sạch - tền xử lý - chuẩn bịtrước” thì sẽ gây nên những kết quả sai lệch nghiêm
trọng. Các công việc tiền xử lý dữ liệu bao gồm:
- Xử lý dữ liệu bị mất, thiếu: Các dữ liệu thiếu sẽ được thay thế bằng các giá trị
thích hợp.
- Khử bỏ trùng lặp: các đối tượng dữ liệu trùng lặp sẽ bị loại bỏ.
- Giảm nhiễu: dữ liệu nhiễu và các đối tượng tách rời khỏi phân bố chung sẽ bị loại
bỏ khỏi tập dữ liệu.
- Chuẩn hóa: thông thường là chuẩn hóa miền giá trị của dữ liệu cho phù hợp.
- Rời rạc hóa: chính là việc biến đổi dữ liệu dạng số về dữ liệu với các giá trị rời rạc.
- Trích rút và xây dựng các đặc trưng mới từ các thuộc tnh đã có.
- Giảm chiều không gian thuộc tnh: là loại bỏ bớt các thuộc tnh có chứa ít thông
tn.
4. Chuyển đổi dữ liệu: Tiếp theo là giai đoạn chuyển đổi dữ liệu, dữliệu đưa ra có
thể sử dụng và điều khiển được bởi việc tổ chức lạinó, tức là dữ liệu sẽ được chuyển đổi

về dạng phù hợp với mục đíchkhai phá dữ liệu.
5. Khai phá dữ liệu (KPDL): Đây là bước quan trọng nhất trong tiến trình phát hiện
tri thức, là bước mang tính tư duy trong khai phádữ liệu. Ở giai đoạn này nhiều thuật toán
khác nhau đã được sử dụng để trích ra các mẫu từ dữ liệu. Thuật toán thường dùng làm
nguyên tắc phân loại, nguyên tắc liên kết, ... Kết quả quả giai đoạn này là trích chọn được
các mẫu hoặc các mô hình ẩn dưới một khối lượng lớn dữ liệu.
6. Đánh giá các luật và biểu diễn tri thức: Ở giai đoạn này, các mẫu dữ liệu được
chiết xuất ra bởi phần mềm KPDL. Không phải bất cứ mẫu dữ liệu nào cũng đều hữu ích,
đôi khi nó còn bị sai lệch. Vì vậy, cần phải ưu tên những têu chuẩn




6

đánh giá để chiết xuất ra các tri thức (Knowlege) cần chiết xuất ra. Đánh giá sự hữu ích
của các mẫu biểu diễn tri thức dựa trên một số phép đo. Sau đó sử dụng các kỹ thuật
trình diễn và trực quan hoá dữ liệu để biểu diễn tri thức khai phá được cho người sử
dụng.
Biểu diễn tri thức bao bao gồm việc hiển thị kết quả hoặc dịch kê t quả để hiểu
và trình diễn. Trong bước này các tri thức vừa mới khám phá sẽ được củng cố, kết hợp lại
thành một hệ thống, đồng thời giải quyết các xung đột tiềm năng trong các tri thức trước
đó. Các mô hình rút ra được đưa vào những hệ thống thông tn thực tế dưới dạng các
mô-đun hỗ trợ việc đưa ra quyết định.
Các giai đoạn (bước) của quá trình phát triển tri thức có mỗi quan hệ chặt chẽ
với nhau trong bối cảnh chung của hệ thống. Các kỹ thuật trong bước trước có thể ảnh
hưởng đến hiệu quả của các giải thuật trong nhưỡng bước tếp theo. Các bước của quá
trình khám phá tri thức có thể lặp đi lặp lại một số lần, kết quả thu được có thể được
lấy trung bình trên tất cả các lần thực hiện.
1.2.2. Quá trình khai phá dữ liệu

KPDL là giai đoạn quan trọng nhất trong quá trình khám phátri thức. Về cơ bản,
KPDL là về xử lý dữ liệu và nhận biết các mẫu và các xu hướng trong thông tn đó để bạn
có thể quyết định hoặc đánh giá. Các nguyên tắc KPDL đã được dùng nhiều năm, nhưng
với sự ra đời của big data (dữ liệu lớn), nó lại càng phổ biến hơn. Big data gây ra một sự
bùng nổ về sử dụng nhiều kỹ thuật KPDL hơn, một phần vì kích thước thông tin lớn hơn
rất nhiều và vì thông tn có xu hướng đa dạng và mở rộng hơn về chính bản chất và nội
dung của nó. Với các tập hợp dữ liệu lớn, để nhận được số liệu thống kê tương đối đơn
giản và dễ dàng trong hệ thống vẫn chưa
đủ[6].
Với 30 hoặc 40 triệu bản ghi thông tin khách hàng chi tết, việc biết rằng 2 triệu
khách hàng trong số đó sống tại một địa điểm vẫn chưa đủ. Bạn muốn biết liệu
2 triệu khách hàng đó có thuộc về một nhóm tuổi cụ thể không và bạn cũng muốn biết
thu nhập trung bình của họ để bạn có thể tập trung vào các nhu cầu của khách hàng của
mình tốt hơn.




7

Những nhu cầu đa dạng đã thay đổi cách lấy ra và thống kê dữ liệu đơn giản sang
việc KPDL phức tạp hơn. Vấn đề hướng tới việc xem xét dữ liệu để giúp xây dựng một mô
hình để mô tả các thông tn mà cuối cùng sẽ dẫn đến việc tạo ra báo cáo kết quả.

Hình 1.2: Quá trình khai phá dữ liệu
- 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 tền xử lý dữ liệu: Thu thập các dữ liệu liên quan và tền xử lý chúng
sao cho thuật toán KPDL có thể hiểu được. Đây là một quá trình rất khó khăn, có thể
gặp phải rất nhiều các vướng mắc như: dữ liệu phải được sao ra nhiều bản (nếu được chiết

xuất vào các tệp), quản lý tập các dữ liệu, phải lặp đi lặp lại nhiều lần toàn bộ quá trình
(nếu mô hình dữ liệu thay đổi), ...
- Thuật toán KPDL: Lựa chọn thuật toán khai phá dữ liệu và thực hiện việc khai phá
dữ liệu để tìm được các mẫu có ý nghĩa, các mẫu này được biểu diễn dưới dạng luật kết
hợp, cây quyết định...tương ứng mục đích đề ra.
1.3. Các kỹ thuật trong khai phá dữ liệu
Có nhiều kỹ thuật khác nhau được sử dụng để KPDL nhằm thực hiện hai chức
năng mô tả và dự đoán. Với mỗi chức năng thì có các kỹ thuật KPDL tương ứng với nó.
Không có kỹ thuật nào tốt để có thể áp dụng cho mọi trường hợp [1].
Kỹ thuật KPDL mô tả có nhiệm vụ mô tả tnh chất hoặc các đặc tnh chung của dữ
liệu trong CSDL hiện có. Một số kỹ thuật khai phá trong nhóm này là: phân cụm dữ liệu,
tổng hợp, trực quan hóa, phân tch sự phát triển và độ lệch,…




8

Kỹ thuật KPDL dự đoán có nhiệm vụ đưa ra các dự đoán vào việc suy diễn trên
CSDL hiện thời. Một số kỹ thuật khai phá trong nhóm này là: phân lớp, hồi quy, cây
quyết định, thống kê, mạng nơ-ron, luật kết hợp,…




9

a. 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 báo, dự đoán. Tri thức được rút ra dưới kỹ thuật này thường ở
dưới dạng tường minh, đơn giản, trực quan đối với người sử dụng.
b. Phân lớp dữ liệu và hồi quy
Mục tiêu của phân lớp dữ liệu là dự đoán nhãn lớp cho các mẫu dữ liệu. Quá trình
gồm hai bước: xây dựng mô hình, dử dụng mô hình để phân lớp dữ liệu. Mô hình được sử
dụng để dự đoán nhãn lớp khi mà độ chính xác của mô hình chấp nhận được.
Phương pháp hồi quy tương tự như phân lớp dữ liệu. Nhưng khác ở chỗ nó dùng
để dự đoán trước các giá trị liên tục, còn phân lớp dữ liệu dùng để dự đoán các giá trị rời
rạc.
c. Phân cụm dữ liệu
Phân cụm dữ liệu là một kỹ thuật trong Data mining nhằm tìm kiếm, phát hiện
các cụm, các mẫu dữ liệu tự nhiên tềm ẩn và quan trọng trong tập dữ liệu lớn để từ đó
cung cấp thông tn, tri thức cho việc ra quyết định.
Mục têu của phân cụm dữ liệu là nhóm các đối tượng tương tự nhau trong tập
dữ liệu vào các cụm, sao cho những đối tượng thuộc cùng một lớp là tương đồng
nhau.
d. Khai phá luật kết hợp
Mục têu của phương pháp này là phát hiện và đưa ra mỗi liên hệ giữa các giá trị
dữ liệu trong CSDL. 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 một: Tìm ra tất cả các tập mục phổ biến. Một tập mục phổ biến được xác
định thông qua việc tnh độ hỗ trợ và thỏa mãn độ hỗ trợ cực tểu.
- Bước hai: Sinh ra các luật kết hợp mạnh từ tập mục phổ biến, luật phải thỏa mãn
độ hỗ trợ và độ tn cậy cực tểu.




10


e. Giải thuật di truyền
Giải thuật di truyền là quá trình mô phỏng theo tến hóa của tự nhiên. Ý
tưởng chính của giai đoạn này là dựa vào quy luật di truyền trong biến đổi, chọn lọc tự
nhiên và tến hóa trong sinh học.
f. Mang nơ-ron
Đây là một trong những kỹ thuật KPDL được sử dụng phổ biển hiện nay. Kỹ thuật
này phát triển dựa trên nền tảng toán học vững vàng, khả năng huấn luyện trong kỹ thật
này mô phỏng hệ thần kinh trung ương của con người.
Kết quả mà mạng nơ-ron học được có khả năng tạo ra các mô hình dự báo, dự đoán
với độ chính xác và độ tn cậy cao. Nó có khả năng phát hiện ra các xu hướng phức tạp mà
các kỹ thuật thông thường khác khó có thể phát hiện ra được. Tuy nhiên đây là kỹ thuật
tương đối phức tạp và quá trình thực hiện nó gặp rất nhiều khó khăn, đòi hỏi tốn nhiều
thời gian, nhiều dữ liệu, nhiều lần kiểm tra thử nghiệm.
1.4. Môt sô thach thưc trong khai pha dư liêu
Khám phá tri thức và khai phá dữ liệu liên quan đến nhiều ngành, nhiều lĩnh vực,
do đo cung tôn tai nhiêu thách thức và khó khăn:
- Các cơ sở dữ liệu lớn hơn rất nhiều: cơ sở dữ liệu với hàng trăm trường và bảng,
hàng triệu bản ghi và kích thước lên tới nhiều gigabyte là vấn đề hoàn toàn bình
thường.
- Số chiều cao : không chỉ thường có một số lượng rất lớn các bản ghi trong cơ sở
dữ liệu mà còn có một số lượng rất lớn các trường (các thuộc tnh, các biến) làm cho số
chiều của bài toán trở nên cao. Thêm vào đó, nó tăng thêm cơ hội cho một giải thuật khai
phá dữ liệu tìm ra các mẫu không hợp lệ.
- Thay đổi dữ liệu và tri thức: thay đổi nhanh chóng dữ liệu có thể làm cho các
mẫu phát hiện trước đó không hợp lệ. Thêm vào đó, các biến đã đo trong một cơ sở dữ
liệu ứng dụng cho trước có thể bị sửa đổi, xóa bỏ hay tăng thêm các phép đo mới. Các giải
pháp hợp lý bao gồm các phương pháp tăng trưởng để cập nhật các mẫu và xử lý thay
đổi.





11

- Dữ liệu thiếu và bị nhiễu: bài toán này đặc biệt nhạy trong các cơ sở dữ liệu
thương mại. Các thuộc tnh quan trọng có thể bị mất nếu cơ sở dữ liệu không được thiết
kế với sự khám phá bằng trí tuệ. Các giải pháp có thể gồm nhiều chiến lược thống kê phức
tạp để nhận biết các biến ẩn và các biến phụ thuộc.
- Mối quan hệ phức tạp giữa các trường: các thuộc tnh hay giá các giá trị có câu
trúc phân cấp, các quan hệ giữa các thuộc tnh và các phương tiện tnh vi hơn cho việc biểu
diễn tri thức về nội dung của một cơ sở dữ liệu sẽ đòi hỏi các giải thuật phải có khả năng
sử dụng hiệu quả các thông tn này. Về mặt lịch sử, các giải thuật khai phá dữ liệu được
phát triển cho các bản ghi có giá trị thuộc tnh đơn giản, mặc dù các kỹ thuật mới bắt
nguồn từ mối quan hệ giữa các biến đang được phát triển.
- Tính dễ hiểu của các mẫu: trong nhiều ứng dụng, điều quan trọng là những gì
khai thác được phải càng dễ hiểu đối với con người thì càng tốt. Các giải pháp có thể thực
hiện được bao gồm cả việc biểu diễn được minh họa bằng đồ thị, cấu trúc luật với các đồ
thị có hướng, biểu diễn bằng ngôn ngữ tự nhiên và các kỹ thuật hình dung ra dữ liệu và tri
thức.
- Người dùng tương tác và tri thức sẵn có: nhiều phương pháp khám phá tri thức và
các công cụ không tương tác thực sự với người dùng và không thể dễ dàng kết hợp chặt
chẽ với tri thức có sẵn về một bài toán loại trừ theo các cách đơn giản. Việc sử dụng của
miền tri thức là quan trọng trong toàn bộ các bước của xử lý khám phá tri thức.
Kêt luân
Khai phá dữ liệu là lĩnh vực đã và đang trở thành một trong những hướng nghiên
cứu thu hút được sự quan tâm của nhiều chuyên gia về công nghệ thông tin. Gần đây, rất
nhiều phương pháp và thuật toán mới liên tục được công bố. Điều này chứng tỏ những lợi
ích và khả năng ứng dụng thực tế của khai phá dữ liệu. Chương này đã trình bày một số
kiến thức tổng quan về khám phá tri thức, những khái niệm và kiến thức cơ bản nhất về
khai phá dữ liệu.





12

CHƯƠNG II. PHÂN CUM DƯ LIÊU VA CAC THUÂT TOAN PHÂN CUM
Phân cụm là một trong những chủ đề được quan tâm nhiều trong các nghiên cứu
KPDL. Phân cụm là quá trình nhóm một tập các đối tượng thành các nhóm hay các lớp đối
tượng “tương tự” nhau. Một cụm là tập các đối tượng “giống nhau” hay tương tự nhau.
Các đối tượng khác cụm là ít hoặc không tương tự nhau. Không giống như quá trình
phân loại, ta thường biết trước tnh chất hay đặc điểm của đối tượng trong cùng một cụm
và dựa vào đó để ấn định một đối tượng vào cụm của nó, trong quá trình phân cụm ta
không hề biết trước các tính chất của cụm mà dựa vào các mỗi quan hệ của các đối tượng
để tìm ra sự giống nhau giữa các đối tượng dựa vào một độ đo nào đó đặc trưng cho mỗi
cụm.
Việc phân cụm dữ liệu không thực hiện độc lập mà thường kết hợp với các phương
pháp khác. Một cách phân cụm đưa ra cũng phải có một phương pháp áp dụng trên các
lớp đó để đưa ra được ý nghĩa của cụm.
Trong lĩnh vực KPDL, các vấn đề nghiên cứu trong phân cụm chủ yếu tập trung vào
tìm kiếm các phương pháp phân cụm hiệu quả và tn cậy trong CSDL lớn.
Một vấn đề thường gặp trong phân cụm dữ liệu (PCDL) là hầu hết các dữ liệu
cần cho PCDL đều có chứa dữ liệu “nhiễu” do nhiều nguyên nhân khác nhau, vì vậy cần
xây dựng chiến lược cho bước tền xử lý nhằm loại bỏ những dữ liệu “nhiễu” trước khi
bước vào giai đoạn phân tch PCDL.
Ngoài ra, dò tìm phần tử ngoại lai là một trong những hướng nghiên cứu quan
trọng trong PCDL, chức năng của nó là xác định một nhóm nhỏ các đối tượng dữ liệu
“khác thường” so với các dữ liệu khác trong CSDL nhằm tránh sự ảnh hướng của
chúng tới quá trình cũng như kết quả PCDL.
PCDL là một bài toán không hề đơn giản và phải giải quyết nhiều vấn đề cơ bản

như sau:
- Biểu diễn dữ liệu.




13

- Xây dựng hàm tnh độ tương tự.
- Xây dựng các têu chuẩn phân cụm.
- Xây dựng mô hình cho cấu trúc cụm dữ liệu.
- Xây dựng thuật toán phân cụm và xác lập các điều kiện khởi tạo.
- Xây dựng các thủ tục biểu diễn và đánh giá kết quả phân cụm.
2.1. Khái niệm phân cụm dữ liệu
2.1.1. Một số định nghĩa
Phân cụm là kỹ thuật rất quan trọng trong khai phá dữ liệu, nó thuộc lớp các
phương pháp “Unsupervised Learning” trong “Machine Learning”. Có rất nhiều định
nghĩa khác nhau về kỹ thuật này, nhưng về bản chất phân cụm là các qui trình tm cách
nhóm các đối tượng đã cho vào các cụm (clusters), sao cho các đối tượng trong cùng một
cụm tương tự (similar) nhau và các đối tượng khác cụm thì không tương tự (Dissimilar)
nhau.
Mục đích của phân cụm là tìm ra bản chất bên trong các nhóm của dữ liệu. Các
thuật toán phân cụm (Clustering Algorithms) đều sinh ra các cụm (clusters). Tuy nhiên,
không có tiêu chí nào là được xem là tốt nhất để đánh hiệu của của phân tch phân cụm,
điều này phụ thuộc vào mục đích của phân cụm như: data reduction, “natural clusters”,
“useful” clusters, outlier detecton.
2.1.2. Dữ liệu và độ đo
Trong phân cụm, các đối tượng phân tch này phải được biểu diễn chặt chẽ thông
qua các đặc điểm của đối tượng đó. Những đặc điểm này có ý nghĩa quyết định đến
kết quả của thuật toán phân cụm. Các loại dữ liệu được tm hiểu theo hai hướng tếp cận:

tếp cân dựa trên kích thước miền và tếp cận theo tỷ lệ đo.
a. Phân loai dựa trên kích thước miền
Cách phân loại này phân biệt các đối tượng dữ liệu dựa trên kích thước miền của
đối tượng đó, tức là số giá trị khác nhau của vùng đó. Giả sử có CSDL D và n đối tượng.
Nếu x, y, z là ba đối tượng của D thì chúng sẽ có dạng:
x = (x1, x2,…,xk), y = (y1, y2,…,yk) , z = (z1, z2,…,zk)




14

Với k là số chiều và xi, yi, zi với 1 ≤ i ≤ k là các thuộc tnh tương ứng của các đối
tượng. Vì vậy, thuật ngữ “loại dữ liệu” là chỉ “loại thuộc tính dữ liệu”.
Chúng ta có các loại lớp sau[1]:
- Thuộc tnh liên tục: miền giá trị của các thuộc tnh này là miền các giá trị liên
tục. Ví dụ: nhiệt độ, mầu sắc, âm thanh…
- Thuộc tính rời rạc: miền giá trị của các thuộc tính này là là miền các giá trị rời
rạc. Ví dụ: số quyển sách, số quả cam,…
- Thuộc tnh nhị nguyên: miền giá trị của các thuộc tnh này chỉ bao gồm hai giá
trị rời rạc. Đó là trường hợp đặc biệt của thuộc tnh rời rạc. Ví dụ : các câu trả lời
có/không, giới tính nam/nữ…
b. Phân loai dựa vào phép đo
Giả sử có hai đối tượng x,y và giá trị thuộc tính i của mỗi đối tượng tương ứng là
xi và yi. Ta có các thuộc tnh sau:
- Định danh: các giá trị ở lớp này chỉ có phép toán só sánh bằng (xi = yi)
hoặc không bằng (xi # yi).
- Có thứ tự: ngoài các phép toán dữ liệu định danh các giá trị thuộc lớp này còn là
các phép so sánh lớn hơn (xi> yi) và nhỏ hơn (xi< yi).
- Có khoảng cách: các giá trị ở lớp này có phép toán tnh được độ lệch giữa

hai giá trị xi - yi.
2.2. Các yêu cầu đối với phương pháp phân cụm dữ liệu
Đến nay chưa có một phương pháp phân cụm tổng quát nào có thể giải quyết trọn
vẹn tất cả các dạng cấu trúc cụm dữ liệu. Hơn nữa, các phương pháp phân cụm cần có
cách thức biểu diễn cấu trúc các cụm dữ liệu khác nhau, với mỗi cách thức biểu diễn khác
nhau sẽ có một phương pháp phân cụm phù hợp.
Việc lựa chọn một thuật toán phân cụm là vấn đề then chốt để giải quyết bài toán
phân cụm dữ liệu, lựa chọn này phụ thuộc vào đặc tnh dữ liệu cần phân cụm, mục đích
của các bài toán thực tế là xác định độ ưu tên giữa chất lượng phân cụm và tốc độ thực
hiện của thuật toán.




15

Thông thường các nghiên cứu để xây dựng và phát triển thuật toán phân cụm dữ
liệu đều nằm đáp ứng yêu cầu sau [1]:
- Có khả năng mở rộng: Một số thuật toán áp dụng cho tập dữ liệu nhỏ (khoảng
200 bản ghi). Nhưng không hiệu quả khi áp dụng cho tập dữ liệu lớn (khoảng 1 triệu
bản ghi).
-Thích nghi với các kiểu dữ liệu khác nhau : thuật toán có thể áp du ng phân cụm
với nhiều kiểu dữ liệu khác nhau như dữ liệu kiểu số, kiểu nhị phân, … và thích nghi
với kiểu dữ liệu hỗn hợp.
-Khám phá ra các cụm với hình thù bất kỳ: Hầu hết các CSDL chứa nhiều cụm dữ
liệu với nhiều hình thù khác nhau: hình lõm, hình cầu, hình que,… Vì vậy, để các cụm dữ
liệu được khám phá ra có tính tự nhiên thì các thuật toán phân cụm dữ liệu phải có khả
năng khám phá ra các cụm dữ liệu có hình thù khác nhau.
- Tối thiểu lượng tri thức cần cho tham số đầu vào: Do các giá trị đầu vào của
thuật toán có ảnh hướng rất lớn đến độ phức tạp, tốc độ của thuật toán. Do đó cần xác

định giá trị đầu vào của thuật toán một cách tối ưu đặc biệt với những CSDL lớn.
- Ít nhạy cảm đối với thứ tự của dữ liệu vào: Cùng một tập dữ liệu khi đưa vào xử
lý bằng các thuật toán PCDL, thứ tự vào của các đối tượng dữ liệu ở các lần thực hiện khác
nhau không ảnh hưởng đến kết quả của phân cụm dữ liệu.
- Khả năng thích nghi với dữ liệu nhiễu cao: Hầu hết các dữ liệu phân cụm trong
KPDL đều có chứa các dữ liệu lỗi, dữ liệu không đầy đủ, dữ liệu rác được gọi chung là dữ
liệu nhiễu. Bởi vậy các thuật toán phân cụm không có những hiệu quả với những dữ liệu
nhiễu mà còn chất dẫn đến chất lượng phân cụm thấp do nhạy cảm với những dữ liệu
nhiễu.
- Thích nghi với dữ liệu đa chiều: Thuật toán áp dụng có hiệu quả đối với các dữ
liệu đa chiều.
- Dễ hiểu, dễ cài đặt và khả thi: Đây là yêu cầu đồng thời là têu chí để đánh giá
hiệu quả của các thuật toán phân cụm.




16

2.3.Các kỹ thuật phân cụm
2.3.1 Các kỹ thuật phân cụm cơ bản
Các kỹ thuật phân cụm được chia thành hai loại chính: phân hoạch
(parttonal) và phân cấp (hierarchical).
Phân hoạch:

Kỹ thuật này phân hoạch một tập hợp dữ liệu có n phần tử

thành k nhóm cho đến khi xác định số các cụm được thiết lập. Số các cụm được thiết
lập là các đặc trưng được lựa chọn trước. Phương pháp này là tốt cho việc tìm các cụm
hình cầu trong không gian Euclidean. Ngoài ra, phương pháp này cũng phụ thuộc vào

khoảng cách cơ bản giữa các điểm để lựa chọn các điểm dữ liệu nào có quan hệ là gần
nhau với mỗi điểm khác và các điểm dữ liệu nào không có quan hệ hoặc có quan hệ là xa
nhau so với mỗi điểm khác. Tuy nhiên, phương pháp này không thể xử lí các cụm có
hình dạng kỳ quặc hoặc các cụm có mật độ các điểm dầy đặc. Các thuật toán phân
hoạch dữ liệu có độ phức tạp rất lớn khi xác định nghiệm tối ưu toàn cục cho vấn đề phân
cụm dữ liệu, do nó phải tìm kiếm tất cả các cách phân hoạch có thể được. Chính vì vậy,
trên thực tế thường đi tìm giải pháp tối ưu cục bộ cho vấn đề này bằng cách sử dụng một
hàm têu chuẩn để đánh giá chất lượng của cụm cũng như để hướng dẫn cho quá trình tìm
kiếm phân hoạch dữ liệu. Như vậy, ý tưởng chính của thuật toán phân cụm phân hoạch
tối ưu cục bộ là sử dụng chiến lược ăn tham (Greedy) để tìm kiếm nghiệm.
Điển hình trong phương pháp tiếp cận theo phân cụm phân họach là các thuật toán
như : K-means, K-medoids, CLARA (Clustering Large Applications), CLARANS (Clustering
Large Applicatons based on RAndomized Search) …
Phân cấp: Phương pháp này xây dựng một phân cấp trên cơ sở các đối tượng dữ
liệu đang xem xét. Nghĩa là sắp xếp một tập dữ liệu đã cho thành một cấu trúc có dạng
hình cây, cây phân cấp này được xây dựng theo kỹ thuật đệ quy. Có hai cách tếp cận phổ
biến của kỹ thuật này đó là: hòa nhập nhóm, thường được gọi là tếp cận (Botom-Up);
phân chia nhóm, thường được gọi là tiếp cận (Top-Down)




17

Phương pháp “dưới lên” (Botom up) : Phương pháp này bắt đầu với mỗi đối tượng
được khởi tạo tương ứng với các cụm riêng biệt, sau đó tến hành nhóm các đối tượng
theo một độ đo tương tự (như khoảng cách giữa hai trung tâm của hai nhóm), quá
trình này được thực hiện cho đến khi tất cả các nhóm được hòa nhập vào một nhóm
(mức cao nhất của cây phân cấp) hoặc cho đến khi các điều kiện kết thúc thỏa mãn. Như
vậy, cách tếp cận này sử dụng chiến lược ăn tham trong quá trình phân cụm.

Phương pháp “trên xuống” (Top Down) : Bắt đầu với trạng thái là tất cả các đối
tượng được xếp trong cùng một cụm. Mỗi vòng lặp thành công, một cụm được tách thành
các cụm nhỏ hơn theo giá trị của một phép đo độ tương tự nào đó cho đến khi mỗi đối
tượng là một cụm, hoặc cho đến khi điều kiện dừng thỏa mãn. Cách tếp cận này sử dụng
chiến lược chia để trị trong quá trình phân cụm.
Điển hình trong phương pháp tếp cận theo phân cụm phân cấp là các thuật toán
như : AGNES (Agglomerative Nestng), DIANA (Divisive Analysis), BIRCH (1996), CURE
(1998), CHAMELEON (1999) ...
Thực tế áp dụng, có nhiều trường hợp kết hợp cả hai phương pháp phân cụm phân
hoạch và phân cụm phân cấp, nghĩa là kết quả thu được của phương pháp phân cấp có thể
cải tến thông qua bước phân cụm phân hoạch. Phân cụm phân hoạch và phân cụm phân
cấp là hai phương pháp phân cụm dữ liệu cổ điển, hiện đã có rất nhiều thuật toán cải
tến dựa trên hai phương pháp này đã được áp dụng phổ biến trong khai phá dữ liệu.
2.3.2. Các kỹ thuật phân cụm khác
Phân cụm dựa trên mật độ (Density-Based Methods): Kỹ thuật này nhóm các đối
tượng dữ liệu dựa trên hàm mật độ xác định, mật độ là số các đối tượng lân cận của một
đối tượng dữ liệu theo một nghĩa nào đó. Trong cách tếp cận này, khi một dữ liệu đã xác
định thì nó tếp tục được phát triển thêm các đối tượng dữ liệu mới miễn là số các đối
tượng lân cận này phải lớn hơn một ngưỡng đã được xác định trước. Phương pháp
phân cụm dựa trên mật độ của các đối tượng để xác định các cụm dữ liệu có thể phát
hiện ra các cụm dữ liệu với hình thù bất kỳ. Kỹ thuật này có




×