Khai phá dữ liệu bằng luật kết hợp

dữ liệu hay độ hỗ trợ cho luật này. Độ hỗ trợ cho luật chính là phần trăm số bản ghi có cả sách âm nhạc, ngoại ngữ, thể thao và đĩa CD hay tất cả những người thích cả ba loại sách trên. Tuy nhiên giá trị hỗ trợ là không đủ. Có thể có trường hợp ta có một nhóm tương đối những người đọc cả ba loại sách trên nhưng lại có một nhóm với lượng lớn hơn những người thích sách thể thao, âm nhạc, ngoại ngữ mà không thích mua đĩa CD. Trong trường hợp này tính kết hợp rất yếu mặc dù độ hỗ trợ tương đối cao. Như vậy chúng ta cần thêm một độ đo thứ hai đó là độ tin cây (Confidence). Độ tin cậy là phần trăm các bản ghi có đĩa CD trong số các bản ghi có sách âm nhạc, thể thao, ngoại ngữ. Nhiệm vụ của việc phát hiện các luật kết hợp là phải tìm tất cả các luật dạng X => B sao cho tần số của luật không nhỏ hơn ngưỡng Minsup cho trước và độ tin cậy của luật không nhỏ hơn ngưỡng Minconfi cho trước. Từ một cơ sở dữ liệu ta có thể tìm được hàng nghìn và thậm chí hàng trăm nghìn các luật kết hợp. 1.7.2.4. Mạng Neuron Mạng Neuron là tiếp cận tính toán mới liên quan tới việc phát triển cấu trúc toán học và khả năng học. Các phương pháp là kết quả của việc nghiên cứu mô hình học của hệ thống thần kinh con người. Mạng Neuron có thể đưa ra ý nghĩa từ các dữ liệu phức tạp hoặc không chính xác và có thể được sử dụng để chiết xuất các mẫu và phát hiện ra các xu hướng quá phức tạp mà con người cũng như các kỹ thuật máy tính khác không thể phát hiện được. Khi đề cập đến khai thác dữ liệu, người ta thường đề cập nhiều đến mạng Neuron. Tuy mạng Neuron có một số hạn chế gây khó khăn trong việc áp dụng và phát triển nhưng nó cũng có những ưu điểm đáng kể. Hình 1.4.Thể hiện sơ đồ khai phá dữ liệu bằng mạng Neunon. Một trong số những ưu điểm phải kể đến của mạng Neuron là khả năng tạo ra các mô hình dự đoán có độ chính xác cao, có thể áp dụng được cho rất nhiều loại bài toán khác nhau, đáp ứng được nhiệm vụ đặt ra của khai phá dữ liệu như phân lớp, gom nhóm, mô hình hóa, dự báo các sự kiện phụ thuộc vào thời gian, v.v. 1.7.2.5. Giải thuật di truyền Giải thuật di truyền, nói theo nghĩa rộng là mô phỏng lại hệ thống tiến hóa trong tự nhiên, chính xác hơn đó là giải thuật chỉ ra tập các cá thể được hình thành, được ước lựợng và biến đổi như thế nào? Ví dụ như xác định xem làm thế nào để lựa chọn các cá thể tạo giống và lựa chọn các cá thể nào sẽ bị loại bỏ. Giải thuật cũng mô phỏng lại yếu tố gen trong nhiễm sắc thể sinh học trên máy tính để có thể giải quyết nhiều bài toán thực tế khác nhau. Giải thuật di truyền là một giải thuật tối ưu hóa. Nó được sử dụng rất rộng rãi trong việc tối ưu hóa các kỹ thuật khai phá dữ liệu trong đó có kỹ thuật mạng Neuron. Sự liên hệ của nó với các quá trình khai phá dữ liệu. Ví dụ như trong kỹ thuật cây quyết định, tạo luật. Như đã đề cập ở phần trước, các luật mô hình hóa dữ liệu chứa các tham số được xác định bởi các giải thuật phát hiện tri thức. Giai đoạn tối ưu hóa là cần thiết để xác định xem các giá trị tham số nào tạo ra các luật tốt nhất. Và vì vậy mà giải thuật di truyền đã được sử dụng trong các công cụ khai phá dữ liệu. 1.8. Ứng dụng của khai phá dữ liệu Khai phá dữ liệu là một lĩnh vực liên quan tới nhiều ngành học khác như: Hệ CSDL, thống kê, trực quan hoá.v.v. Hơn nữa, tuỳ vào cách tiếp cận được sử dụng, khai phá dữ liệu còn có thể áp dụng một số kỹ thuật như mạng nơron, lý thuyết tập thô, tập mờ, biểu diễn tri thức, v.v.So với các phương pháp này, khai phá dữ liệu có một số ưu thế rõ rệt. So với phương pháp học máy, khai phá dữ liệu có lợi thế hơn ở chỗ, khai phá dữ liệu có thể sử dụng với các CSDL chứa nhiều nhiễu, dữ liệu không đầy đủ hoặc biến đổi liên tục. Trong khi đó phương pháp học máy chủ yếu được áp dụng trong các CSDL đầy đủ, ít biến động và tập dữ liệu không qua lớn. Phương pháp hệ chuyên gia: Phương pháp này khác với khai phá dữ liệu ở chỗ các ví dụ của chuyên gia thường ở mức cao hơn nhiều so với các dữ liệu trong CSDL, và chúng thường chỉ bao hàm được các trường hợp quan trọng. Hơn nữa các chuyên gia sẽ xác nhận giá trị và tính hữu ích của các mẫu phát hiện được. Phương pháp thống kê là một trong những nên tảng lý thuyết của khai phá dữ liệu, nhưng khi so sánh hai phương pháp với nhau ta có thể thấy các phương pháp thống kê còn tồn tại một số điểm yếu mà khai phá dữ liệu khắc phục được. Các phương pháp thống kê chuẩn không phù hợp với các kiểu dữ liệu có cấu trúc trong rất nhiều CSDL. Các phương pháp thống kê hoạt động hoàn toàn theo dữ liệu, nó không sử dụng tri thức có sẵn về lĩnh vực. Kết quả phân tích của hệ thống sẽ rất nhiều và khó có thể làm rõ ra được. Phương pháp thống kê cần có sự hướng dẫn của người dùng để xác định phân tích dữ liệu như thế nào và ở đâu. Với nhưng ưu điểm đó, khai phá dữ liệu hiện đang được áp dụng một cách rộng rãi trong nhiều lĩnh vực kinh doanh và đời sống khác nhau như: Marketing, tài chính, ngân hàng và bảo hiểm, khoa học, y tế, an ninh, internet.v.v.rất nhiều tổ chức và công ty lớn trên thế giới đã áp dụng kỹ thuật khai phá dữ liệu vào các hoạt động sản xuất kinh doanh của mình và thu được những lợi ích to lớn. Một số ứng dụng của khai phá dữ liệu trong lĩnh vực kinh doanh: Brandaid: Mô hình Marketing linh hoạt tập chung vào hàng tiêu dùng. Callpla: Giúp nhân viên bán hàng xác định số lần viếng thăm của khách hàng triển vọng và khách hàng hiện có. Detailer: Xác định khách hàng nào nên viếng thăm và sản phẩm nào nên giới thiệu trong từng chuyến viếng thăm. Geoline: Mô hình thiết kế địa bàn tiêu thụ và dịch vụ. Mediac: Giúp người quảng cáo mua phương tiện trong một năm, lập kế hoạch sử dụng phương tiện bao gồm phác hoạ khúc thị trường, ước tính tiềm năng. 1.9. Một số thách thức đặt ra cho việc khai phá dữ liệu Các cơ sở dữ liệu 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 nhiễu. Quan hệ giữa các trường phức tạp. Giao tiếp với người sử dụng và kết hợp với các tri thức đã có. Tích hợp với các hệ thống khác… * Kết luận chương I Qua chương I chúng ta đã biết được thế nào là tổng quan về khai phá dữ liệu. Nó bao gồm một số nội dung sau: Khai phá dữ liệu và phát hiện tri thức: Là quá trình khám phá tri thức tiềm ẩn trong cơ sở dữ liệu. Quá trình phát hiện tri thức từ cơ sở dữ liệu: Là một quá trình có sử dụng nhiều phương pháp và công cụ tin học để tìm ra một cơ sở dữ liệu có ích cho người sử dụng. Khai phá dữ liệu có lợi ích gì: Cung cấp tri thức và hỗ trợ việc ra quyết định, dự báo, khái quát dữ liệu. Các kỹ thuật khai phá dữ liệu: Có rất nhiều các kỹ thuật nhưng thường sử dụng kỹ thuật mô tả và dự đoán. Nhiệm vụ của khai phá dữ liệu: Phân lớp, hồi quy, gom nhóm, tổng hợp, mô hình ràng buộc, dò tìm biến đổi và độ lệch. Các phương pháp khai phá dữ liệu: Phương pháp quy nạp, cây quyết định và luật, phát hiện các luật kết hợp, mạng Neuron, giải thuật di truyền. Ứng dụng của khai phá dữ liệu: Marketing, tài chính, ngân hàng và bảo hiểm, khoa học, y tế, an ninh, internet… Một số thách thức đặt ra cho việc khai phá dữ liệu: Cơ sở dữ liệu lớn, dữ liệu bị thiếu hoặc nhiễu, quan hệ giữa các trường phức tạp.v.v. Chương II: TẬP PHỔ BIẾN VÀ LUẬT KẾT HỢP 2.1. Mở đầu Hiện nay các công ty, doanh nghiệp đang lưu trữ một lượng thông tin lớn về bán hàng. Một bản ghi trong cơ sở dữ liệu này chứa các thông tin về ngày mua bán, số lượng hàng bán,... Từ cơ sở dữ liệu bán hàng, chúng ta có thể tìm ra các mối quan hệ giữa các cặp thuộc tính- giá trị thuộc tính. Đó là luật kết hợp tiêu biểu: Ví dụ có 80% khách hàng mua sách ngoại ngữ thì sẽ mua đĩa CD hoặc VCD. 2.2. Các khái niệm cơ bản 2.2.1. Định nghĩa 2. 2.1: Ngữ cảnh khai phá dữ liệu Cho tập O là tập hữu hạn khác rỗng các giao tác và I là tập hữu hạn khác rỗng các mặt hàng, R là một quan hệ hai ngôi giữa O và I sao cho với oO và iI, (o,i)R= > giao tác.o có chứa mặt hàng i. Ngữ cảnh khai phá dữ liệu (dưới đây sẽ gọi tắt là NCKPDL) là bộ ba (O, I, R). 2.2.2. Định nghĩa 2. 2. 2: Các kết nối Galois Cho NCKPDL (O, I, R), xét hai kết nối Galois ρ và λ được định nghĩa như sau: ρ : P (I) →P (O) và λ : P (O) →P (I): Cho S I, ρ (S) = {oO |iS, (o, i) R} Cho X O, λ (X) = {i I | oX, (o, i) R} Trong đó P (X) là tập các tập con của X. Cặp hàm (ρ, λ) được gọi là kết nối Galois. Giá trị ρ (S) biểu diễn tập các giao tác có chung tất cả các mặt hàng trong S. Giá trị λ (X) biểu diễn tập mặt hàng có trong tất cả các giao tác của X. 2.2.3. Định nghĩa 2.2.3: Độ hỗ trợ (Support) 2.2.3.1. Độ hỗ trợ của một tập mục X trong cơ sở dữ liệu D là tỉ số giữa các giao tác T D có chứa tập X là tổng số giao tác trong D (hay là phần trăm của các giao tác trong D có chứa tập mục X), kí hiệu là Supp (X). Supp (X)= Ta có 0 Supp (X) với mọi tập X. Hay có thế nói Support chỉ mức độ “thướng xuyên xảy ra” của mẫu. 2.2.3.2. Độ hỗ trợ của luật X→Y là tỉ số của số giao tác có chứa XY và số giao tác trong cơ sở dữ liệu D, kí hiệu là Supp (X→Y). Supp (X→Y)= Như vậy độ hỗ trợ của một luật bằng 50% nghĩa là có 50% số giao tác có chứa tập mục XY. Độ hỗ trợ có ý nghĩa thống kê của luật kết hợp. 2.2.4. Định nghĩa 2 2.4: Độ tin cậy ( Confidence) 2.2.4.1. Tính chất 2. 2.4.1: Hỗ trợ của tập con. Giả sử A,B I là tập các tập mục với A B thì Supp (A) Supp (B). Thật vậy, tính chất này có thể suy ra trực tiếp từ khái niệm tập mục phổ biến, vì tất cả các giao tác hỗ trợ B thì cũng hỗ trợ A. Như vậy giao tác nào chứa tập mục B thì cũng chứa tập mục A. 2.2.4.2. Tính chất 2.2.4.2 Giả sử A, B là hai tập mục, A, B I. Nễu B là tập mục phổ biến và A B thì A cũng là tập mục phổ biến. Thật vậy, nếu B là tập mục phổ biến thì Supp (B) Minsup, mọi tập mục A là tập mục con của tập mục B đều là tập mục thường xuyên trong cơ sở dữ liệu D vì Supp (A) Supp (B) (Theo tính chất 2.3.1). 2.2.4.3. Tính chất 2.2.4.3 Giả sử A, B là hai tập mục A B và A là tập mục không phổ biến thì B cũng là tập mục không phổ biến. Thật vậy, A là tập mục không thường xuyên nên Supp (A) Minsup mà A B nên Supp (A) Supp (B). Suy ra Supp (B)< Minsup vậy B là tập mục không phổ biến. 2.2.4.4. Tính chất 2. 2.4.4 Giả sử X, Y, Z I là những tập mục, sao cho X Y = Æ. Thì: Conf (XY) Conf (X/ZY Z). Thật vậy, từ X Y và X/Z X ta có: Độ tin cậy của một luật r = X→Y là tỉ số (phần trăm) của số giao tác trong D chứa XY với số giao tác trong D có chứa tập mục X. Kí hiệu độ tin cậy của một luật là Conf (r). Ta có 0 conf 1. Nhận xét: Độ hỗ trợ và độ tin cậy chính là xác suất sau: Supp (X→Y) = P (XY). Conf (X→Y) = P (Y/X) = Supp (XY)/Supp (X). Ta nói rằng với luật có độ tin cậy 85% thì có nghĩa là 85% các giao tác có chứa X thì cũng chứa Y. Độ tin cậy của một luật là thể hiện mức độ tường quan trong dữ liệu giữa hai tập X và Y. Độ tin cậy là độ đo mức độ tin cậy của một luật. 2.2.5. Định nghĩa 2.2.5: Tập mặt hàng phổ biến Cho NCKPDL (O, I, R) và Minsup (0, 1] là ngưỡng phổ biến tối thiểu. Cho S I, độ phổ biến của S ký hiệu là SP (S) là tỉ số giữa số các giao tác có chứa S và số lượng giao tác trong O. Nói cách khác SP (S)= |ρ (S)| / |O|. Cho S I, S là một tập các mặt hàng phổ biến theo ngưỡng Minsup nếu và chỉ nếu SP (S) ≥ Minsup. Trong các phần sau tập mặt hàng phổ biến sẽ được gọi tắt là tập phổ biến. Ký hiệu FS (O, I, R, Minsup) = {S P (I) | SP (S) ≥ Minsup). 2.2.6. Định nghĩa 2.2.6: Luật kết hợp Cho NCKPDL (O, I, R) và ngưỡng Minsup (0, 1]. Với một S FS (O, I, R, Minsup), gọi X và Y là các tập con khác rỗng của S sao cho S = XY và X Y = Æ. Luật kết hợp X với Y có dạng X→Y phản ánh khả năng khách hàng mua tập mặt hàng Y khi mua tập mặt hàng X. Độ phổ biến của luật kết hợp X→Y với S = X→Y là SP (S). Độ tin cậy của luật kết hợp X→Y được ký hiệu là CF (X→Y) và được tính bằng công thức CF (X→Y) = SP (XY)/SP (X) Nguyên lý Apriori. • Cho S FS (O, I, R, Minsup), nếu T S thì T FS (O, I, R, Minsup). • Cho T FS (O, I, R, Minsup), nếu T S thì S FS (O, I, R, Minsup). 2.2.6.1. Tính chất 2.2.6.1: Luật kết hợp không có hợp thành. Nếu XY và YZ thoả mãn trên D thì không nhất thiết X Y Z là đúng. Thật vậy, nếu xét trường hợp X Y= Æ và các giao dịch trên D hỗ trợ Z khi và chỉ khi chúng hỗ trợ X hoặc hỗ trợ Y. Khi đó Supp (X Y) = 0 và Conf (X Y) = 0. Tương tự, trường hợp có X Y và X Z, ta suy ra X Y Z. 2.2.6.2. Tính chất 2.2.6.2: Luật kết hợp không có tính tách. Nếu X Y Z thì X Z và Y Z chưa chắc xảy ra. Chẳng hạn xét trường hợp Z có mặt trong giao tác chỉ khi cả tập X và Y cũng có mặt, tức là Supp (X Y) = Supp (Z). Nếu độ hỗ trợ X, Y đủ lớn hớn Supp (X Y) tức là Supp (X) Supp (X Y) và Supp (Y) Supp (X Y ) thì hai luật riêng biệt sẽ không đủ độ hỗ trợ. Tuy nhiên trương hợp ngựơc lại X Y Z thì suy ra được X Y và X Z. Để giải thích cho tính chất này ta phân tích ví dụ sau: T(Y) T(Z) T(X) Hình 2.5. Minh họa luật kết hợp không có tính tách Khi Z thể hiện trong một giao dịch chỉ nếu cả X và Y đều thể hiện giao dịch đó, nghĩa là Supp (X Y) = Supp (Z). Nếu Supp cho X và Y lớn hơn Supp (X Y), thì hai luật trên sẽ không có Conf yêu cầu. Nhưng nếu X Y Z thỏa mãn trên D thì có thể suy ra X Y và X Z cũng thỏa mãn trên D vì Supp (XY) Supp (XYZ) và Supp (XZ) Supp (XYZ). 2.2.6.3. Tính chất 2.2.6.3: Luật kết hợp không có tính bắc cầu. Nếu XY và YZ thoả mãn trên D thì không thể khẳng định X Z thoả mãn trên D. Giả sử T (X) T (Y) T (Z) và Conf (X Y) = Conf (Y Z) = Minconf. Khi đó Conf (X Z) = Minconf2 < Minconf (vi 0 < Minconf < 1), suy ra luật X Z không có Conf tối thiểu, tức là X Z không thoả mãn trên D. 2.2.6.4. Tính chất 2.2.6.4 Nếu luật X (L-X) không thoả mãn độ tin cậy cực tiểu thì luật Y (L-Y) cũng không thoả mãn với các tập mục Y X L. 2.3. Tìm tập phổ biến 2.3.1. Một số khái niệm Cho NCKPDL (O, I, R) và Minsup (0, 1], tìm FS (O, I, R, Minsup). Thuật toán được xây dựng dựa trên nguyên lý Apriori. Đầu tiên thuật toán sẽ tìm các tập phổ biến có một phần tử. Sau đó các ứng viên của các tập phổ biến có hai phần tử sẽ được tạo lập bằng cách hợp các tập phổ biến có một phần tử. Một cách tổng quát, các tập ứng viên của tập phổ biến có k phần tử sẽ được tạo từ các tập phổ biến có k-1 phần tử. Gọi Fk = {S P (I) | SP (S) ≥ Minsup và |S|= k}. Thuật toán sẽ duyệt từng ứng viên để tạo Fk bao gồm các ứng viên có độ phổ biến lớn hơn hoặc bằng ngưỡng Minsup. - Tập các hạng mục (Itemset) I = {i1, i2, …, im}: VD : I = {sữa, bánh mì, ngũ cốc, sữa chua} Tập k hạng mục (k-Itemset). - Giao dịch t : tập các hạng mục sao cho t Í I VD : t = {bánh mì, sữa chua, ngũ cốc} - CSDL D = {t1, t2, …, tn}, ti= {ii1, ii2, …, iik} với iij Î I : CSDL giao dịch - Giao dịch t chứa X nếu X là tập các hạng mục trong I và X Í t VD : X = {bánh mì, sữa chua} - Độ phổ biến (supp) của tập các hạng mục X trong CSDL D là tỷ lệ giữa số các giao dịch chứa X trên tổng số các giao dịch trong D. Supp (X) = count (X) / | D | Tập các hạng mục phổ biến S hay tập phổ biến (Frequent Itemset) là tập các hạng mục có độ phổ biến thỏa mãn độ phổ biến tối thiểu Nếu Supp (S) ³ Minsup thì S - tập phổ biến. - Tính chất của tập phổ biến (Apriori). Tất cả các tập con của tập phổ biến đều là tập phổ biến. 2.3.2. Thuật toán Apriori 2.3.2.1. Mô tả thuật toán Đầu tiên thực hiện duyệt CSDL để tìm các mục riêng biệt trong CSDL và độ hỗ trợ tương ứng của nó. Tập thu được là C1. Duyệt tập C1 loại bỏ các mục có độ hỗ trợ < Minsup, các tập mục còn lại của C1 là các tập 1-Itemset (L1) phổ biến. Sau đó kết nối L1 với L1 để được tập các tập 2-Itemset C2. Duyệt CSDL xác định độ hỗ trợ của các tập mục trong C2. Duyệt C2 Loại bỏ các tập mục có độ hỗ trợ < Minsup, các tập mục còn lại của C2 là tập các tập 2-Itemset (L2) phổ biến. L2 lại được sử dụng để sinh ra L3 và cứ tiếp tục như vậy cho đến khi tìm được tập mục k-Itemset Lk mà Lk = Æ (tức là không có tập mục phổ biến nào được tìm thấy) thì dừng lại. Tập các tập mục phổ biến của CSDL là: Èki-1= L1. Để tăng hiệu quả của thuật toán trong quá trình sinh các tập mục ứng cử, ta sử dụng tính chất của tập mục phổ biến để làm giảm số lượng tập các tập ứng cử, không phải là tập phổ biến được sinh ra. Tính chất đó là: Tập các tập con khác rỗng của tập mục phổ biến đều là tập mục phổ biến. Bước nối: Input: Tập Lk+1 là tập (k+1)-Itemset phổ biến. Output: Tập Ck là tập các ứng cử viên cho tập mục phổ biến k-Itemset Tập các ứng cử k-Itemset được sinh ra từ việc kết nối Lk-1 với chính nó. Giả sử l1, l2 là các tập mục của Lk-1. Ta ký hiệu lj[i] là mục thứ Itemset trong tập mục lj,việc kết nối Lk-1 với Lk+1 được thực hiện như sau: Các tập mục của Lk-1 được kết nối với nhau nếu mục đầu của chúng trùng nhau và l1[k-1]<l2[k-1]. Tức là hai tập mục l1 và l2 của Lk-1 có thể kết nối được với nhau nếu thoả mãn: (L1[1] = L2[1])^(L1[2] = L2[2])^...^(L1[k-2] = L2[k-2])^(L1[k-1] = L2[k-1]) Điều kiện l1[k-1] < l2[k-1] để đảm bảo không sinh lặp lại các tập đã sinh. Kết quả tập mục thu được sau khi kết nối l1 và l2 sẽ là (l1[1], l1[2], v.v.l1[k-2], l1[k-1], l2[k-1]). Bước tỉa (Prune) Input: Ck – là tập các ứng cử k-Itemset Output: Lk – là tập các tập k-Itemset phổ biến Ta có Ck ÊLk các thành phần của Ck có thể là phổ biến hoặc không phổ biến, nhưng tất cả các tập k-Itemset đều nằm trong Ck. Bước này chúng ta thực hiện các công việc sau: Quét CSDL D một lần tính độ hỗ trợ cho mỗi tập mục trong Ck. Loại bỏ những tập mục có độ hỗ trợ nhỏ hơn hoặc bằng giá trị Minsup cho trước khỏi Ck. Tập Ck thu được chính là Lk. Tuy nhiên tập Ck có thể rất lớn và vì vậy nó làm cho công việc tính toán trở nên phức tập. Để giảm kích thước của tập Ck thì ta sử dụng tính chất Apriori: Bất kỳ một tập (k-1)-Itemset không phổ biến thì nó không thể là tập con của tập k-Itemset phổ biến, Do đó, nếu bất kỳ tập con (k-1)-Itemset của ứng cử k-Itemset không có mặt trong Lk-1 thì ứng cử đó không là phổ biến, và do vậy có thể loại bỏ tập mục này khỏi Ck. Việc kiểm tra các tập con (k-1)-Itemset có thể được thực hiện một cách nhanh chóng bằng cách duy trì một cây băm . 2.3.2.2. Ví dụ minh hoạ cho thuật toán Apriori Xét CSDL giao dịch D được cho trong bảng sau: Bảng 2.1. CSDL sử dụng minh hoạ thuật toán Apriori TID Danh sách các mục 1 I1 I2 I5 2 I2 I4 3 I2 I3 4 I1 I2 I4 5 I1 I3 6 I2 I3 7 I1 I3 8 I1 I2 I3 I5 9 I1 I2 I3 Trong lần lặp đầu tiên của thuật toán, mỗi mục là một thành viên của tập ứng cử C1. Thuật toán thực hiện quét tất cả các giao dịch của D theo đó đếm số số lần xuất hiện của mỗi mục. Giả sử độ hỗ trợ cực tiểu đếm số giao dịch là 2 (tức là Minsup = 2/9*100% = 22%). Khi đó tập mục phổ biến 1-Itemset (L1), được xác định như sau: L1 bao gồm tất cả các ứng cử 1-Itemset thoả mãn độ hỗ trợ tối thiểu. Tìm ra các tập mục phổ biến 2-Itemset (L2), thuật toán sử dụng kết nối L1 với L1 để sinh ra tập ứng cử 2-Itemset (C2). C2 bao gồm tổ hợp chập lj[i] của các phần tử có trong L1 do đó số lượng các phần tử của C2 được tính như sau: |C2| = C= C= = 10 Tiếp theo, quét các giao dịch trong D và tính độ hỗ trợ của các tập ứng cử trong C2. Tập mục phổ biến 2-Itemset L2 được xác định, bao gồm các tập mục 2-Itemset là ứng cử trong C2 có độ hỗ trợ lớn hơn hoặc bằng độ hỗ trợ tối thiểu Minsup. Sinh các tập ứng cử 3-Itemset, CL¬k-1 bằng cách, kết nối L2 với chính nó ta nhận được kết quả C3 là: C3 = {{I1, I2, I3}, {I1, I2, I5}, {I1, I3, I5}, {I2, I3, I4}, {I2, I3, I5}, {I2, I4, I5}} Sử dụng tính chất Apriori để tỉa bớt các ứng cử: Tất cả các tập con của tập phổ biến là tập phổ biến. Do đó 4 ứng cử viên của tập C3 không thể là tập phổ biến vì nó chứa các tập không phổ biến, ta thực hiện tỉa (loại) bốn tập ứng cử viên đó khỏi C3. Cụ thể như sau: + Các tập {I1, I3, I5}, {I2, I3, I5} không là phổ biến vì tập con {I3, I5} của nó không phổ biến (không có trong L2). + Tập {I2, I3, I4} không là phổ biến vì tập con {I3,I4} của nó không phổ biến (không có trong L2). + Tập {I2, I4, I5} không là phổ biến vì tập con {I4, I5} của nó không phổ biến (không có trong L2). Việc tỉa bớt các tập ứng cử này sẽ làm giảm bớt việc phải quét CSDL để tính độ hỗ trợ khi xác định L3. Lưu ý rằng, với ứng cử k-Itemset, chúng ta chỉ cần kiểm tra tập con (k-1)-Itemset có là phổ biến hay không? Vì thuật toán Apriori sử dụng chiến lược tìm kiếm theo chiều rộng. Như vậy sau khi thực hiện kết nối và tỉa ta thu được kết tập C3 là: C3 = {{I1, I2, I3}, {I1, I2, I5}} Quét các giao dịch trong CSDL để xác định L3, L3 bao gồm các ứng cử 3-Itemset trong C3 thoả mãn độ hỗ trợ tối thiểu. Ta có L3 là: L3 = {{I1, I2, I3}, {I1, I2, I5}} Sinh các tập ứng cử 3-Itemset, C3 bằng cách kết nối L3 với chính nó ta nhận được kết quả C4 là tập mục {I1, I2, I3, I5}. Sau đó thực hiện bước tỉa thì tập {I1, I2, I3, I5} bị tỉa vì nó chưa tập con {I2, I3, I5} không là tập phổ biến (không có trong L3). Như vậy ta có C4 = Æ đến đây thuật toán kết thúc. Vậy tập hợp tất cả các tập mục phổ biến đã được tìm. Các tập mục phổ biến tìm được từ CSDL giao dịch D với độ hỗ trợ tối thiểu Minsup = 22% (độ hỗ trợ tối thiểu tương đương với số giao dịch = 2). Bảng 2. 2. Kết quả thực hiện thuật toán Aprori cho CSDL D Loai tập mục phổ biến Các tập mục phổ biến 1-Itemset {I1} {I2} {I3} {I4} {I5} 2-Itemset {I1, I2} {I1, I3} {I1, I5} {I2, I3} {I2, I4} {I2, I5} 3-Itemset {I1, I2, I3} {I1, I2, I5} 2.3.2.3. Procedure-Code. Input : CSDL D, Minsup Output : L : các tập phổ biến trong D Ck : Tập ứng viên kích thước k Lk : Tập phổ biến kích thước k L1 = Tìm_tập_phổ_biến_1_hạng mục (D); for (k = 1; Lk ¹ Æ; k++ {Ck+1 = Apriori_gen (Lk); // Tạo tập ứng viên (k+1) hạng mục for mỗi giao tác t Î D {// Duyệt CSDL để tính Support Ct = subset (Ck+1, t); // Lấy ra tập con của t là ứng viên for mỗi ứng viên c Î Ct c. Count ++} Lk+1 = {c Î Ck+1| c. Count ³ Minsup }} return L = k È Lk; 2.3.2.4. Tạo tập ứng viên (k+1)- hạng mục. Hàm Apriori_gen nhận Lk và trả về tập ứng viên kích thước (k+1). Gồm 2 bước: Kết và loại bỏ. Procedure Apriori_gen (Lk : Tập phổ biến kích thước k) for mỗi Itemset l1Î Lk for mỗi Itemset l2Î Lk if (l1 [1] = l2 [1]) Ù (l1 [2] = l2 [2]) Ù …Ù (l1 [k-1] = l2 [k-1]) Ù (l1 [k] < l2 [k]) then {c = l1 vw l2 ; // Bước kết Lk với chính nó if has_infrequent_subset (c, Lk ) then Xóa c ; // Loại bỏ các ứng viên không có lợi else Thêm c vào Ck+1 ; } return Ck+1 ; Tạo tập ứng viên (k+1)- hạng mục (tt) Sử dụng tri thức để giảm Ck+1 Procedure has_infrequent_subset (c: Tập ứng viên kích thước k+1, Lk: Tập phổ biến kích thước k). for mỗi k-subset s Î c if s Ï Lk then return True ; return False ; 2.4. Tìm luật kết hợp Gọi I = {I1, I2,...., Im} là tập m thuộc tính riêng biệt, mỗi thuộc tính gọi là một mục. Gọi D là một cơ sở dữ liệu, trong đó mỗi bản ghi T là một giao dịch và chứa các tập mục, T Í I. Định nghĩa 2.4 1: Một luật kết hợp là một quan hệ có dạng X Þ Y, trong đó X, Y Ì I là các tập mục gọi là Itemsets, và .Ở đây, X được gọi là tiền đề, Y là mệnh đề kết quả. Thông số quan trọng nhất của luật kết hợp là độ hỗ trợ (s) và độ tin cậy (c). Định nghĩa 2.4.2: Độ hỗ trợ (Support) của luật kết hợp X Þ Y là tỷ lệ phần trăm các bản ghi với tổng số các giao dịch có trong cơ sở dữ liệu. Định nghĩa 2.4.3: Đối với một số giao dịch được đưa ra, độ tin cậy (confidence) là tỷ lệ của số giao dịch có chứa với số giao dịch có chứa X. Đơn vị tính %. Việc khai thác các luật kết hợp từ cơ sở dữ liệu chính là việc tìm tất cả các luật có độ hỗ trợ và độ tin cậy lớn hơn ngưỡng của độ hỗ trợ và độ tin cậy do người sử dụng xác định trước. Các ngưỡng của độ hỗ trợ và độ tin cậy được ký hiệu là Minsup và Mincof. Việc khai thác các luật kết hợp được phân tích thành hai vấn đề sau đây: - Tìm tất cả các tập mục thường xuyên xảy ra mà có độ hỗ trợ lớn hơn hoặc bằng Minsup. - Tạo ra các luật mong muốn sử dụng các tập mục lớn mà có độ tin cậy lớn hơn hoặc bằng Mincof. 2.4.1. Phát biểu bài toán khai phá luật kết hợp I = {i1, i2, …, in } là tập bao gồm n mục (Item – còn gọi là các thuộc tính - attribute).X I được gọi là tập mục (Itemset). T = {t1, t2, .v.v.tm} là tập gồm m giao dịch (Transasction – còn gọi là bản ghi - Record), mỗi giao dịch được định danh bởi TID (Transaction Identification). R là một quan hệ nhị phân trên I và T. Nếu giao dịch t có chứa mục I thì ta viết (i, t) R.(T, I, R) là ngữ cảnh khai thác dữ liệu. Một CSDL D, về mặt hình thức, chính là một quan hệ nhị phân R như trên. Về ý nghĩa, một CSDL là một tập các giao dịch, mỗi giao dịch t là một tập mục, t 2I (2I là tập các tập con của I). Ví dụ về CSDL giao dịch: I = {A, B, C, D, E}, T = {1, 2, 3, 4, 5, 6} Thông tin về các giao dịch cho ở bảng sau: Bảng 2. 3. Ví dụ về một CSDL giao dịch – D Định danh giao dịch (TID) Tập mục (Itemset) 1 A, B, D, E 2 BC, E 3 AB, DE 4 ABC, E 5 ABCDE 6 BCDE Cho một tập mục X I. Ký hiệu s (X) là Độ hỗ trợ (Support) của một tập mục X là tỷ lệ phần trăm số giao dịch trong CSDL D chứa X trên tổng số cac giao dịch trong CSDL D. S (X) = Card (X)/Card (D)% Tập mục phổ biến: Cho một tập mục X I và ngưỡng phổ biến tối thiểu Minsup (0, 1], (Minsup được xác định bởi người sử dụng). Một tập mục X được gọi là một tập phổ biến theo ngưỡng Minsup nếu và chỉ nếu độ hỗ trợ của nó lớn hơn hoặc bằng một ngưỡng Minsup: s (X) Minsup. Ký hiệu FX (T, I, R, Minsup) = {X I | s (X) Minsup} Với (T, I, R) trong ví dụ CSDL bảng 1, và giá trị ngưỡng Minsup = 50% sẽ liệt kê các tập mục phổ biến (Frenquent-Itemset) như sau: Bảng 2.4. Tập mục thường xuyên Minsup = 50% Tập mục phổ biến Độ hỗ trợ (s) tương ứng B 100% E, BE 83% A, C, D, AB, AE, BC, BD, ABE 67% AD, CE, DE, ABD, ADE, BCE, BDE 50% Độ hỗ trợ s của luật kết hợp X Y là tỷ lệ phần trăm các giao dịch trong D có chứa X và Y là s (X Y) = Card (XY)/Card (D) % Luật kết hợp có dạng X Y trong đó: X, Y là các tập mục thoả mãn điều kiện X Y = Ø và c là độ tin cậy. Độ tin cậy của luật c = s (X Y)/s (X)%: Là tỷ lệ phần trăm các giao dịch trong D có chứa X thì chứa Y. Về mặt xác suất, độ tin cậy c của một luật kết hợp là xác suất (có điểu kiện) xảy ra Y với điều kiện đã xẩy ra X Luật kết hợp tin cậy: Một luật được xem là tin cậy nếu độ tin cậy c của nó lớn hơn hoặc bằng một ngưỡng Minconf (0, 1] nào đó do người dùng xác định. Ngưỡng Minconf phản ánh mức độ xuất hiện của Y khi cho trước X.( ( c Minconf) (Minimum Confidence)) Luật kết hợp cần tìm là luật kết hợp thoả mãn Minsup và Minconf cho trước. Chúng ta chỉ quan tâm đến các luật có độ hỗ trợ lớn hơn độ hỗ trợ tối thiểu và độ tin cậy lớn hơn độ tin cậy tối thiểu. Hầu hết các thuật toán khai phá luật kết hợp thường chia thành 2 pha: Pha 1 : Tìm tất cả các tập mục phổ biến từ cơ sở dữ liệu tức là tìm tất cả các tập mục X thoả s (X) Minsup. Pha 2: Sinh các luật tin cậy từ các tập phổ biến đã tìm thấy ở pha 1. Nếu X là một tập mục phổ biến thì luật kết hợp được sinh ra từ X có dạng: X’ c X \ X’, trong đó: X’ là tập con khác rỗng của X. X\X’ là hiệu của hai tập hợp X và X’. c là độ tin cậy của luật thoả mãn c Minconf Với tập mục phổ biến trong bảng 4 thì chúng ta có thể sinh luật kết hợp sau đây: Bảng 2.5. Luật kết hợp sinh từ tập mục phổ biến ABE Luật kết hợp Độ tin cậy c Minconf ? ABE Có B AE Không E AB Có AB E Có AE B Có BE A Có Tập phổ biến tối đại: Cho M FX (T, I, R, Minsup) M được gọi là tập mục phổ biến tối đại nếu không tồn tại X FX (T, I, R, Minsup), M X, M X 2.4.2. Phát triển giải pháp hiệu quả trong khai thác luật kết hợp Bài toán luật kết hợp. Cho một tập các giá trị I, một CSDL giao dịch D, ngưỡng độ hỗ trợ tối thiểu Minsup, ngưỡng độ tin cậy Mincof, tìm các luật kết hợp dạng X Þ Y trên D thoả mãn điều kiện Support (X Þ Y) >= Minsup và Confidence (X Þ Y) >= Mincof. Tiến trình khai thác luật kết hợp. Xác định các tập mục lớn Việc xác định các tập mục lớn gồm có hai bước chính sau đây: Xác định các tập ứng cử viên (Ck). Xác định các tập mục lớn (L) dựa vào tập ứng cử viên Để xác định tập ứng cử viên, ta thực hiện các bước sau đây: 1. Tìm các tập ứng cử viên một mục. 2. Quét CSDL D để xác định độ hỗ trợ của các tập ứng cử viên. Trong vòng đầu tiên, các tập ứng cử viên cũng chính là tất cả các mục có trong CSDL. Tại vòng thứ k (k>1), các tập ứng cử viên được xác định dựa vào các tập mục lớn đã xác định tại vòng k – 1, sử dụng hàm Apriori-Gen () Sau khi đã xác định được các tập ứng cử viên, thuật toán quét từng giao dịch trong CSDL để tính độ hỗ trợ của các tập ứng cử viên. Quá trình xác định các tập mục sẽ kết thúc khi không xác định được thêm tập mục lớn nào nữa. 3. Nội dung hàm Apriori-gen (). Hàm Apriori-gen () thực hiện hai bước. 1. Bước đầu tiên, Lk – 1 được kết nối với chính nó thu được Ck. 2. Bước thứ hai, Apriori_gen () xoá tất cả các tập mục từ kết quả kết nối mà có một số tập con (k – 1) không có trong Lk – 1. Sau đó nó trả về tập mục lớn kích thước k còn lại. 3. Sinh các luật kết hợp từ tập mục lớn. Việc phát hiện các tập mục lớn là rất tốn kém về mặt tính toán. Tuy nhiên, ngay khi tìm được tất cả các tập mục lớn (l Î L), ta có thể dễ dàng sinh ra các luật kết hợp có thể có bằng các bước như sau: 1. Tìm tất cả các tập con không rỗng x, của tập mục lớn l Î L. 2. Với mỗi tập con x tìm được, ta xuất ra luật dạng x Þ (l - x) nếu tỷ lệ Support (l)/Support (x) >= Mincof (%). 3. Thủ tục sinh ra các tập con. 4. Đầu vào: 5. Tập mục lớn Lk Đầu ra: Tập luật thoả mãn điều kiện độ tin cậy >= Mincof và độ hỗ trợ >= Minsup Phương pháp: Forall Lk, k >= 2 do Call Genrules (Lk, Lk); Procedure Genrules (Lk: Large k-Itemset, am: Large m-Itemset) A= { (m-1)-Itemset am-1| am-1am} Forall am-1A do begin Conf = Support (Lk)/Support (am-1) If (Conf >= Mincof) then begin Output the rule am-1Þ (Lk – am-1) với Confidence = Mincof and Support = Support (Lk) If (m-1 >1) then Call Genrules (Lk, am-1); End; End; 4. Giải pháp hiệu quả Trong các phần trên, đã trình bày tiến trình cơ bản để khai thác các luật kết hợp trong CSDL, song vấn đề cần phải quan tâm nghiên cứu là tăng hiệu quả của thuật toán trong trường hợp: “Số lượng tập ứng cử viên được tìm thấy là rất lớn”. Trong phạm vi nghiên cứu của bài này, sẽ đưa ra một giải pháp mới để giải quyết vấn đề đã nêu. Tỉa các ứng cử viên: Việc tỉa các ứng cử viên nhằm mục đích bỏ đi các tập ứng cử viên không cần thiết, rút gọn số lượng của tập các tập ứng cử viên. Sau đây, sẽ trình bày kỹ thuật “tỉa” các ứng cử viên không cần thiết. Kỹ thuật này có tinh chất: Các mục trong tập ứng cử viên được sắp xếp theo thứ tự. Nội dung kỹ thuật: Forall Itesets c Î Ck do Forall (k – 1) – subsets s of c do If (s Ï Lk – 1) then Delete c from Ck Dựa vào đây, ta có thể tỉa được các tập ứng cử viên, từ đó có thể giới hạn miền tìm kiếm của nó trên tất cả các tập mục. 2.5. Quy trình khai thác luật kết hợp B1 : Tìm tất cả các tập phổ biến (theo ngưỡng Minsup). B2 : Tạo ra các luật từ các tập phổ biến. Đối với mỗi tập phổ biến S, tạo ra tất cả các tập con khác rỗng của S. Đối với mỗi tập con khác rỗng A của S. Luật A Þ (S - A) là LKH cần tìm nếu: conf (A Þ (S - A)) = supp (S) / supp (A) ³ Minconf 2.6. Một số thuật toán khác 2.6.1. Thuật toán khai phá song song cho luật kết hợp mờ Theo bài toán khai phá luật kết hợp mờ tuần tự trong phần trên, mỗi thuộc tính iu trong I được gắn với tập các tập mờ Fi u như sau: Fi u = {f, f, …,f} Đặt tập FN = {k1} {k2} .v.v.{kn} = {s1, s2, …sv} (v n vì có thể tồn tại những cặp ki và kj giống nhau) và N là số lượng BXL trong hệ thống, bài toán phân chia tập thuộc tính mờ cho các BXL như sau: Tìm một tập con Fn khác rỗng của tập FN sao cho tích các phần tử trong Fn bằng số lượng BXL trong hệ thống. Trong trường hợp không tìm thấy nghiệm đúng thì thuật toán sẽ trả về một nghiệm “chấp nhận được” tức là tích của các phần tử trong Fn là xấp xỉ dưới của N. Giả sử s = {k1, k2, …km} là một nghiệm của thuật toán phân chia (nghĩa là k1*k2 * …*km = N). Lúc đó, số lượng thuộc tính mờ giảm được tại các BXL so với thuật toán tuần tự là (k1 – 1 ) + (k2 – 1 ) + …+ (km – 1 ) = (k1, + k2,…, km – m ). Nghiệm tối ưu là nghiệm có giá trị của biểu thức (k1 + k2 + …+ km – m ) đạt cực đại, tức là số thuộc tính giảm được càng nhiều càng tốt. Để dễ tìm kiếm nghiệm tối ưu, tập FN trước tiên phải được sắp xếp giảm dần. Đây là chiến lược rất quan trọng bởi ta biết thời gian xử lý sẽ giảm theo hàm mũ khi giảm dần số lượng thuộc tính mờ. Một chiến lược khác để tìm nghiệm tối ưu là trong suốt quá trình tìm kiếm thuật toán chia phải tham chiếu đến độ hỗ trợ của các thuộc tính mờ (đã được cập nhật sau khi thực hiện hàm Counting) để xét xem chúng ta nên phân chia theo thuộc tính nào. Thuộc tính được phân chia phải có độ hỗ trợ của các thuộc tính mờ tương đối cân bằng. Chiến lược này giúp cân bằng tỉa giữa các BXL trong hệ thống ở các bước tiếp theo. Bài toán này có thể giải quyết bằng chiến lược quay lui (có đệ quy hoặc không). Bảng dưới đây được trình bày theo cách viết không đệ quy. Thuật toán Boolean Subset (FN,N,Idx) k = 1; Idx[1] = 0; S = 0; While (k > 0) { Idx[k] ++; If (Idx[k] <= sizeof (FN)) { If (S * FN[Idx[k]] <= N) { If (S * FN[Idx[k]] = = N) Return True; Else { S * = FN[Idx[k]]; Idx[k + 1] = Idx[k]; k + +; } } } else { K--; S= FN[Idx[k]]; } } Return False; FindSubset (FN, N, Idx, Fn) for (n = N; n > 0; n --) If (Subset (FN, n, Idx)) { Fn = {FN[i] | i Idx} Return; 1 } 2.6.2. Thuật toán FP-Growth 2.6.2.1 Bản chất. - Khai thác tập phổ biến không sử dụng hàm tạo ứng viên. - Nén CSDL thành cấu trúc cây FP (Frequent Patern) - Duyệt đệ qui cây FP để tạo tập phổ biến 2.6.2.2. Qui trình. B1 : Thiết lập cây FP B2 : Thiết lập cơ sở mẫu điều kiện (Conditional Pattern Bases) cho mỗi hạng mục phổ biến (mỗi nút trên cây FP). B3 : Thiết lập cây FP điều kiện (Conditional FP tree) từ mỗi cơ sở mẫu điều kiện B4 : Khai thác đệ qui cây FP điều kiện và phát triển mẫu phổ biến cho đến khi cây FP điều kiện chỉ chứa 1 đường dẫn duy nhất - tạo ra tất cả các tổ hợp của mẫu phổ biến Thiết lập cây FP (B1) TID Items bought (ordered) Frequent items 100 {f, a, c, d, g, i, m, p} {f, c, a, m, p} 200 {a, b, c, f, l, m, o} {f, c, a, b, m} 300 {b, f, h, j, o, w} {f, b} 400 {b, c, k, s, p} {c, b, p} 500 {a, f, c, e, l, p, m, n} {f, c, a, m, p} Minsupp = 60% - Tìm tập phổ biến 1- hạng mục (duyệt CSDL 1 lần) - Sắp xếp tập phổ biến giảm dần vào trong F-List F-List = f-c-a-b-m-p - Duyệt CSDL lần nữa và thiết lập cây FP Bảng 2.6. Cây FP Header Table Item frequency head f 4 c 4 a 3 b 3 m 3 p 3 TID Items bought (ordered) frequent items 100 {f, a, c, d, g, i, m, p} {f, c, a, m, p} 200 {a, b, c, f, l, m, o} {f, c, a, b, m} 300 {b, f, h, j, o, w} {f, b} 400 {b, c, k, s, p} {c, b, p} 500 {a, f, c, e, l, p, m, n} {f, c, a, m, p} Minsupp = 3 - Tìm tập phổ biến 1- hạng mục (duyệt CSDL 1 lần) - Sắp xếp tập phổ biến giảm dần vào trong F-List F-List = f-c-a-b-m-p - Duyệt CSDL lần nữa và thiết lập cây FP Bảng 2.7. Cây FP Header Table Item frequency head f 4 c 4 a 3 b 3 m 3 p 3 {} f:1 c:1 a:1 m:1 p:1 TID Items bought (ordered) frequent items 100 {f, a, c, d, g, i, m, p} {f, c, a, m, p} 200 {a, b, c, f, l, m, o} {f, c, a, b, m} 300 {b, f, h, j, o, w} {f, b} 400 {b, c, k, s, p} {c, b, p} 500 {a, f, c, e, l, p, m, n} {f, c, a, m, p} Minsupp = 3 - Tìm tập phổ biến 1- hạng mục (duyệt CSDL 1 lần) - Sắp xếp tập phổ biến giảm dần vào trong F-List F-List = f-c-a-b-m-p - Duyệt CSDL lần nữa và thiết lập cây FP Bảng 2.8. Cây FP m:1 Header Table Item frequency head f 4 c 4 a 3 b 3 m 3 p 3 {} f:2 c:2 a:2 b:1 p:1 m:1 TID Items bought (ordered) frequent items 100 {f, a, c, d, g, i, m, p} {f, c, a, m, p} 200 {a, b, c, f, l, m, o} {f, c, a, b, m} 300 {b, f, h, j, o, w} {f, b} 400 {b, c, k, s, p} c, b, p} 500 {a, f, c, e, l, p, m, n} {f, c, a, m, p} Minsupp = 3 - Tìm tập phổ biến 1- hạng mục (duyệt CSDL 1 lần) - Sắp xếp tập phổ biến giảm dần vào trong F-List F-List = f-c-a-b-m-p - Duyệt CSDL lần nữa và thiết lập cây FP Bảng 2.9. Cây FP Header Table Item frequency head f 4 c 4 a 3 b 3 m 3 p 3 {} f:3 c:2 a:2 b:1 m:1 p:1 m:1 b:1 TID Items bought (ordered) frequent items 100 {f, a, c, d, g, i, m, p} {f, c, a, m, p} 200 {a, b, c, f, l, m, o} {f, c, a, b, m} 300 {b, f, h, j, o, w} {f, b} 400 {b, c, k, s, p} {c, b, p} 500 {a, f, c, e, l, p, m, n} {f, c, a, m, p} Minsupp = 3 - Tìm tập phổ biến 1- hạng mục (duyệt CSDL 1 lần) - Sắp xếp tập phổ biến giảm dần vào trong F-List F-List = f-c-a-b-m-p - Duyệt CSDL lần nữa và thiết lập cây FP Bảng 2.10. Cây FP p:1 m:1 {} f:4 c:1 Header Table Item frequency head f 4 c 4 a 3 b 3 m 3 p 3 b:1 b:1 c:3 a:3 b:1 m:2 p:2 Ví dụ cây FP A:9 B:3 C:2 E:1 C:2 E:2 B:5 E:1 D:1 D:1 C:2 D:1 Null E:1 A – 9 B – 8 C – 6 E – 5 D – 3 A B B A C A B D E B A A C A B C B C B C D B E E A A C E A D E Minsupp = 25% Nếu Minsupp = 40% thì cây FP sẽ như thế nào ? b-Thuật toán FP- Growth (B2) - Bắt đầu từ mẫu phổ biến cuối bảng của cây FP - Duyệt cây FP theo kết nối của mỗi hạng mục phổ biến p - Gom tất cả đường dẫn tiền tố biến đổi (Transformed Prefix ) của hạng mục p để tạo cơ sở mẫu điều kiện của p Bảng 2.11. Cây FP Header Table Item frequency head f 4 c 4 a 3 b 3 m 3 p 3 {} f:4 c:1 b:1 p:1 c:3 a:3 b:1 m:2 p:2 m:1 Conditional pattern bases item cond. Pattern base c f:3 a fc:3 b fca:1, f:1, c:1 m fca:2, fcab:1 p fcam:2, cb:1 c- Thuật toán FP- Growth (B3) Với mỗi cơ sở mẫu : - Đếm số lượng mỗi mẫu trong cơ sở mẫu - Thiết lập cây FP cho tập phổ biến của mẫu cơ sở VD : Giả sử có cở mẫu điều kiện cho p: {fcam:2, cb:1} p-Conditional FP-tree Bảng 2.12. Cây FP {} Header Table Item frequency head c 3 c:3 Tất cả mẫu phổ biến liên quan đến p là : Ú p, cp Với mỗi cơ sở mẫu : - Đếm số lượng mỗi mẫu trong cơ sở - Thiết lập cây FP cho tập phổ biến của mẫu cơ sở Ví dụ : m-Conditional Pattern Base: fca:2, fcab:1 Bảng 2.13. Cây FP b:1 p:1 Header Table Item frequency head f 4 c 4 a 3 b 3 m 3 p 3 {} f:4 c:1 b:1 c:3 a:3 b:1 m:2 p:2 m:1 {} f:3 c:3 a:3 m-Conditional FP-Tree Tất cả mẫu phổ biến liên quan đến m là : Ú Ú m, fm, cm, am, fcm, fam, cam, fcam Ví dụ Bảng 2.14.Cơ sở dữ liệu { } { } f { (f:3) } | c { (f:3) } c { (f:3, c:3) } | a { (fc:3) } a { } { (fca:1), (f:1), (c:1) } b { (f:3, c:3, a:3) } | m { (fca:2), (fcab:1) } m { (c:3) } | p { (fcam:2), (cb:1) } p Conditional FP-tree Conditional pattern-base Item d- Thuật toán FP- Growth (B4) Cond. pattern base of “am”: (fc:3) {} f:3 c:3 am-conditional FP-tree Cond. pattern base of “cm”: (f:3) cm-conditional FP-tree {} f:3 cam-conditional FP-tree Cond. pattern base of “cam”: (f:3) {} f:3 c:3 a:3 m-conditional FP-tree - Giả sử cây FP T có một đường dẫn đến (Single Path) P - Tập mẫu phổ biến cuối cùng của T sinh ra bằng cách liệt kê tất cả các tổ hợp của Sub-Paths thuộc P {} f:3 c:3 a:3 m-Conditional FP-Tree Tất cả mẫu phổ biến liên quan đến m m, fm, cm, am, fcm, fam, cam, fcam Ú 2.6.2.3. Thuật toán FP_Growth Pocedure FP_Growth (Tree, a) If cây FP chứa 1 path P then For mỗi tổ hợp b của nốt trên P Tạo mẫu b È a với Supp = Suppmin (các nốt trong b); Else for mỗi ai trên header của cây Tạo mẫu b= ai È a với supp = ai . Supp ; Thiết lập b’s Conditional Pattern base and b’s Conditional FP-Tree Tree b If Tree b ¹ Æ, gọi FP_Growth (Tree b, b). * Kết luật chương II: Qua chương II chúng ta biết được việc áp dụng các thuật toán vào các lĩnh vực của đời sống xã hội, nó có vai trò rất quan trọng trong việc xây dựng những hệ hỗ trợ ra quyết định. Khai phá luật kết hợp là một hướng đi đang được hoàn thiện. Để có thể áp dụng luật kết hợp trước tiên ta phải tiến hành mã hoá cơ sở dữ liệu hiện có, đây là một bước quan trọng, quyết định có thể sinh luật kết hợp tốt hay không. Thuật toán Apriori tìm tập mục phổ biến theo hướng sinh ứng cử. Thuật toán FP_Growth tìm tập mục phổ biến theo hướng không sinh ứng cử. Trên cơ sở là tập phổ biến tìm được ta áp dụng thuật toán khai phá luật kết hợp để sinh ra tập luật kết hợp đáng tin. Chương III: CÀI ĐẶT VÀ THỬ NGHIỆM THUẬT TOÁN TÌM TẬP PHỔ BIẾN VÀ LUẬT KẾT HỢP 3.1. Phát biểu bài toán. Với sự phát triển của nền kinh tế hiện nay, thì việc kinh doanh đang là vấn đề được rất nhiều người quan tâm. Xã hội càng phát triển thì trình độ con ngươi ngày càng được nâng cao. Vì vậy phát triển giáo dục đang là vấn đề mà xã hội rất quan tâm, lên việc kinh doanh các tài liệu về sách giáo khoa, sách tham khảo, đồ dùng học tập,..đang là một hướng đi đúng. Nhưng để kinh doanh tốt thì người kinh doanh phải biết quán lý nó như thế nào cho đúng và hợp lý nhất. Từ những điều đó thiết nghĩa phải có một phần mềm quản lý bán sách, để hỗ trợ cho người quản lý trong việc lựa chọn các đầu sách để bán. Ví dụ khi bán sách giáo khoa thì bán kèm thêm sách tham khảo và đồ dùng học tập gì? Chúng có liên quan tới nhau như thế nào? Luật kết hợp cho ta biết việc lựa chọn các loại sách gì để bán, giúp người quản lý đưa ra quyết định nhanh, chính xác và hiệu quả nhất. 3.2. Lựa chọn thuật toán để cài đặt phần mềm. Có rất nhiều thuật toán để đưa ra việc lựa chọn các đầu sách trong việc quán lý bán sách, nhưng chúng em lựa chọn thuật toán Apriori để cài đặt. Mục đích của thuật toán này là đưa ra các luật kết hợp trong việc lựa chọn các đầu sách để bán. Ví dụ khi bán sách Toán thì bán kèm thêm sách Lý, Hoá. 3.3. Yêu cầu khi cài đặt thuật toán. - Về máy tính: + Cấu hình tối thiểu Ram 256. + Ổ cứng 2G còn trống. + CPU P4 1.7Ghz - Về phần mềm: + Cài đặt Visual Studio 2005 + DOT.NET 2.0. 3.4. Cơ sở dữ liệu. 3.4.1. Giao diện chính của cơ sở dữ liệu. Hình 3.1. Giao diện chính của cơ sở dữ liệu Mô tả một số chức năng trong giao diện: + Hệ Thống: Có chức năng thoát khỏi chương trình. + DM khách hàng: Có chức năng thêm, lưu, sửa, xóa dữ liệu cho khách hàng. + DM hàng: : Có chức năng thêm, lưu, sửa, xóa dữ liệu cho hàng hóa. + DM hóa đơn: : Có chức năng thêm, lưu, sửa, xóa dữ liệu cho hóa đơn. + DM Nhà CC: : Có chức năng thêm, lưu, sửa, xóa dữ liệu cho nhà cung cấp. + Apriori: Có chức năng ghi dữ liệu vào file XML. 3.4.2. Bảng danh mục các Nhà cung cấp hàng hóa. Cấu trúc và dữ liệu của bảng như sau: Hình 3.2. Danh mục nhà cung cấp Một số thuộc tính của bảng là: + MaNCC: Mã nhà cung cấp hàng hóa. + TenNCC: Tên nhà cung cấp hàng hóa. + DiaChi: Địa chỉ của nhà cung cấp hàng hóa. + DienThoai: Điện thoại của nhà cung cấp. + MaSoThue: Mã số thuế nhà cung cấp hang hóa. + Email: Email cua nhà cung cấp 3.4.3. Bảng danh mục các Hàng Hoá. Cấu trúc và dữ liệu của bảng hàng hoá như sau: Hình 3.3. Danh mục hàng hóa Một số thuộc tính của bảng là: + MaH: Mã hàng hoá. + MaNCC: Mã nhà cung cấp hàng hoá. + TenHang: Tên hàng hoá. + MoTa: Mô tả hàng hóa. + ChungLoai: Chủng loại hàng hóa. 3.4.4. Bảng danh mục các Khách Hàng. Cầu trúc và dữ liệu bảng khách hàng như sau: Hinh 3.4.Danh mục khách hàng Một số thuộc tính của bảng là: + MaKH: Mã khách hàng. + TenKH: Tên khách hàng. + SoCMND: Số chứng minh nhân dân. + DiaChi: Địa chỉ khách hàng. + DienThoai: Điện thoại khách hàng. + Email: Email của khách hàng 3.4.5. Bảng danh mục các Hoá Đơn. Cấu trúc và dữ liệu của bảng hóa đơm như sau: Hình 3.5. Danh mục hóa đơn Một số thuộc tính của bảng là: + MaHD: Mã hoá đơn. + MaKH: Mã khách hàng. + NgayHD: Ngày nhập hoá đơn. + Ghichu: Ghi chú hóa đơn. 3.4.6. Bảng danh mục chi tiết Hoá Đơn. Cấu trúc và dữ liệu của bảng chi tiết hóa đơm như sau: Hình 3.6. Danh mục chi tiết hóa đơn Một số thuộc tính của bảng là: + MaHD: Mã hoá đơn. + MaH: Mã hàng hóa. + SoLuong: Số lượng hàng hóa. 3.4.7. Ghi XML. Hình 3.7. Ghi XML 3.5. Giao diện chính chương trình. Hình 3.8. Giao diện chính của chương trình 3.6. Kết nối dữ liệu. Hình 3.9. Kết nối dữ liệu 3.7. Thêm dư liệu Xml Hình 3.10. Thêm dư liệu XML 3.8. Kết quả phân tích Hình 3.11. Kết quả phân tích 3.9. Kết quả lọc MinSup = 10 Hình 3.12. Kết quả lọc độ phổ biến tối thiểu 3.10. Kết quả lọc MinCon = 40% Hình 3.13. Kết quả lọc độ tin cậy * Kết luận chuơng III: Cài đặt bằng thuật toán Apriori áp dụng trong quản lý bán hàng tại thị siêu. Dựa vào kết quả này mà người quản lý biết được những nhóm mặt hàng nào liên quan tới nhau, phục vụ cho mục đích quản lý và lựa chọn các mặt hàng để kinh doanh. KẾT LUẬN CHUNG Trong quá trình hoàn thành đồ án này, dù đã đạt được những kiến thức nhất định, nhưng chúng em nhận thấy Khai phá dữ liệu nói chung và khai phá luật kết hợp nói riêng là một lĩnh vực nghiên cứu rộng lớn, nhiều triển vọng. Đề tài đã trình bày được các vấn đề cơ bản về khai phá dữ liệu: Tầm quan trọng của KPDL, các hướng tiếp cận khai phá dữ liệu và các kỹ thuật khai phá dữ liệu. Khai phá dữ liệu sử dụng luật kết hợp và một số thuật toán tìm tập mục thường xuyên theo hướng sinh ứng cử và không sinh ứng cử. Phần cài đặt chương trình đã cài đặt được thuật toán khai phá dữ liệu Apriori. Tuy nhiên, do những hạn chế về tài liệu và thời gian nên chưa hoàn thành được việc cài đặt thuật toán khai phá luật kết hợp, trong thời gian tiếp theo chúng em sẽ cố gằng hoàn thành phần cài đặt này để đề tài được hoàn thiện hơn. Chương I: Đã trình bày tổng quan về khai phá dữ liệu (Data Minning); Các loại tri thức tiềm ẩn trong cơ sở dữ liệu, các kỹ thuật khai thác dữ liệu. Chương II: Đã trình bày tổng quan về khai thác luật kết hợp, nêu ra những khái niệm, định nghĩa, tính chất của tập mục và luật kết hợp, cách xác định độ hỗ trợ của tập mục và luật, độ tin cậy của luật. Đưa ra các mô hình bài toán khai thác luật kết hợp, nó là tiền để để các thuật toán dựa vào đó phát triển và có những đánh giá so sánh giữa các thuật toán. Chương II: Cũng trình bày về các thuật toán khai thác luật kết hợp, thuật toán nổi tiếng là Apriori, thuật toán tìm luật kết hợp không phát sinh ứng viên dựa vào cấu trúc cây FP- Tree,… Chương III: Trình bày về cách cài đặt chương trình khai thác luật kết hợp trong việc quản lý bán hàng tại thị siêu. Dựa vào kết quả này mà người quản lý nắm bắt được những nhóm mặt hàng nào liên quan tới nhau, phục vụ cho mục đích quản lý, lựa chọn các mặt hàng để kinh doanh. Chương trình được cài đặt bằng thuật toán Apriori. HƯỚNG PHÁT TRIỂN ĐỀ TÀI Một trong những công việc quan trọng của khai phá luật kết hợp là tìm tất cả các tập phổ biến trong cơ sở dữ liệu, nên trong thời gian tới chúng em sẽ phát triển đề tài rộng ra theo hướng: Ứng dụng thuật toán song song áp dụng cho bài toán khai phá luật kết hợp mờ, là luật kết hợp trong các tập thuộc tính mờ. Thuật toán song song chia đều cơ sở dữ liệu và tập ứng viên cho các bộ vi sử lý, và các tập ứng viên sau khi chia cho từng bộ xử lý là hoàn toàn độc lập với nhau mục đich cải thiện chi phí tìm luật kết hợp mờ và thời gian mã hoá dữ liệu. Do nhược điểm của thuật toán Apriori là nếu dữ liệu lớn thì sự phân tích sẽ mất rất nhiều thời gian vì vậy để khắc phục được nhược điểm đó thì chúng ta cần sử dụng thêm một số thuật toán khác ví dụ như thuật toán FP_Growth, thuật toán song song,.. Tiếp tục hoàn thiện hệ thống Quản lý bán hàng tại siêu thị và có thể ứng dụng thêm vào các lĩnh vực khác như bán hàng tại các siêu thị, bán máy tính,.. Khi mà lượng dữ liệu thu thập và lưu trữ ngày càng tăng, cùng với nhu cầu nắm bắt thông tin, thì nhiệm vụ đặt ra cho Khai phá dữ liệu ngày càng quan trọng. Sự áp dụng được vào nhiểu lĩnh vực kinh tế xã hội, an ninh quốc phòng cũng là một ưu thế của khai phá dữ liệu. Với những mong muốn đó chúng em hy vọng sẽ dần đưa những kiến thức đã có từ đề tài này sớm trở thành thực tế, phục vụ cho cuộc sống con người chúng ta. TÀI LIỆU THAM KHẢO [1]. R. Agrawal, H. Mannila, R. Srikant, H. Toivonen, and A. I.Verkamo. Fast discovery of association rules. In Advances in Knowledge Discovery and Data Mining, pages 307–328,1996. [2]. R. Agrawal and R. Srikant. Fast algorithms for mining associationrules. The International Conference on Very LargeDatabases, pages 487–499, 1994. [3]. R. Agrawal and R. Srikant. Mining sequential patterns. InP. S. Yu and A. L. P. Chen, editors, Proc. 11th Int. Conf. DataEngineering, ICDE, pages 3–14. IEEE Press, 6–10 1995. [4]. N. F.Ayan, A. U. Tansel, and M. E. Arkun. An efficient algorithm to update large itemsets with early pruning. In KnowledgeDiscovery and Data Mining, pages 287–291, 1999. [5].TS Đỗ Phúc, Khai thác dữ liệu, Nhà xuất bản Đại Học Quốc Gia TP HCM 2005. [6].Phạm Hữu Khang, Kỹ thuật lập trình C#.Net, Nhà xuất bản Lao Động- Xã Hội. [7].Từng bước học lập trình Visual C#.Net, Nhà xuất bản Lao Động- Xã Hội. [8]. Giáo trình trí tuệ nhân tạo - cầu trúc dữ liệu - giải thuật di truyền, Nhà xuất bản Lao Động- Xã Hội. [9]. truy cập cuối cùng ngày 20/03/2009. [10]. truy cập cuối cùng ngày 22/03/2009. [11]. truy cập cuối cùng ngày 20-03-2009. [12]. truy cập cuối cùng ngày 22-03-2009. [13]. truy cập cuối cùng ngày 20-03-2009. BẢNG ĐỐI CHIẾU THUẬT NGỮ VIỆT - ANH Tiếng Anh Tiếng Việt Data Mining Khai phá dữ liệu Data Dữ liệu Knowledge Discovery in Database-KDD Phát hiện tri thức trong cơ sở dữ liệu Target Mục đích, mục tiêu. Clearsed Preprocessed Prepadated Làm sạch - Tiền xử lý - Chuẩn bị trước Transform Chuyển đổi Pattern Discovery Khám phá mô hình Knowlege Tri thức Clustering Phân cụm Summerization Tóm tắt Visualiztion Trực quan hoá Evolution and deviation analyst Phân tích sự phát triển và độ lệch Association rules Phân tích luật kết hợp Classification Phân lớp Regression Hồi quy Clustering Gom nhóm Summarization Tổng hợp Dependency modeling Mô hình ràng buộc Change and Deviation Dectection Dò tìm biến đổi và độ lệch Hồi qui Regression Cross validation Đánh giá chéo Support Phổ biến Minimum Support Độ phổ biến tối thiểu Confidence Độ tin cây Minimum Confidence Độ tin cây tối thiểu Itemset Hạng mục Procedure Thủ tục Code Mã, cốt Input Đầu vào Output Đầu ra Transasction Giao dịch Transaction Identification Giao dịch định danh Frenquent-Itemset Tập mục phổ biến Frequent Patern Mô hình phổ biến Conditional Pattern Bases Cơ sở mẫu điều kiện Conditional FP tree Cây FP điều kiện Transformed Prefix Tiền tố biến đổi