DATA MINING AND APPLICATION: KHAI THÁC TẬP PHỔ BIẾN & LUẬT KẾT HỢP

Chia sẻ: Abcdef_14 Abcdef_14 | Ngày: | Loại File: PDF | Số trang:20

Thêm vào BST

Báo xấu

523
lượt xem 82
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mẫu phổ biến : là mẫu (tập các hạng mục, chuỗi con, cấu trúc con, đồ thị con, …) xuất hiện thường xuyên trong tập DL– Agrawal, Imielinski, Swami – 1993 – trong ngữ cảnh bài toán tập phổ biến và luật kết hợp

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: DATA MINING AND APPLICATION: KHAI THÁC TẬP PHỔ BIẾN & LUẬT KẾT HỢP

KHAI THÁC DỮ LIỆU & ỨNG DỤNG (DATA MINING) GV : NGUYỄN HOÀNG TÚ ANH 1 BÀI 3- PHẦN 1 KHAI THÁC TẬP PHỔ BIẾN & LUẬT KẾT HỢP 2 1
NỘI DUNG 1. Giới thiệu 2. Các khái niệm cơ bản 3. Bài toán khai thác tập phổ biến 3 GIỚI THIỆU  Mẫu phổ biến : là mẫu (tập các hạng mục, chuỗi con, cấu trúc con, đồ thị con, …) xuất hiện thường xuyên trong tập DL – Agrawal, Imielinski, Swami – 1993 – trong ngữ cảnh bài toán tập phổ biến và luật kết hợp  Mục đích : Tìm các hiện tượng thường xuyên xảy ra trong DL – Những sản phẩm nào thường được mua chung ? Bia và tã lót – Người ta thường mua gi tiếp theo sau khi mua máy PC ? – Dạng DNA nào có phản ứng với công thức thuốc mới ? – Làm thế nào đề phân loại tự động văn bản Web ?  Ứng dụng : – Áp dụng trong phân tích CSDL bán hàng – Mở rộng sang quảng cáo, thiết kế catalog, phân tích chiến 4 dịch bán hàng, Web log, chuỗi DNA, … 2
GIỚI THIỆU Bài toán khai thác tập phổ biến là bài toán  rất quan trọng lĩnh vực KTDL : vạch ra tính chất ẩn, quan trọng của tập DL Là nền tảng cho nhiều nhiệm vụ KTDL khác :  – Phân tích luật kết hợp, mối tương quan – Mẫu tuần tự, cấu trúc ( Vd : đồ thị con) – Phân tích DL không gian, đa phương tiện, phụ thuộc thời gian – Phân loại : phân loại dựa trên luật kết hợp – Phân tích nhóm: gom nhóm dựa trên mẫu phổ biến – …. 5 NỘI DUNG 1. Giới thiệu 2. Các khái niệm cơ bản 3. Bài toán khai thác tập phổ biến 6 3
KHÁI NIỆM CƠ BẢN CSDL GIAO DỊCH 1. TID Produces (Transaction DB) 1 MILK, BREAD, EGGS VD giỏ mua hàng: 2 BREAD, SUGAR 3 BREAD, CEREAL Giỏ 1: {Bánh mì, o 4 MILK, BREAD, SUGAR Trứng, Sữa} 5 MILK, CEREAL Giỏ 2: {Bánh 6 BREAD, CEREAL mì, o 7 MILK, CEREAL Đường} MILK, BREAD, CEREAL, … 8 EGGS Giỏ n: {Bánh qui, ngũ 9 MILK, BREAD, CEREAL o cốc, sữa} 7 KHÁI NIỆM CƠ BẢN TID Products TID A B C D E 1 A, B, E 1 1 1 0 0 1 2 B, D 2 0 1 0 1 0 3 B, C 3 0 1 1 0 0 4 A, B, D 4 1 1 0 1 0 5 A, C 5 1 0 1 0 0 Biến đổi CSDL về 6 B, C 6 0 1 1 0 0 dạng nhị phân 7 A, C 7 1 0 1 0 0 8 A, B, C, E 8 1 1 1 0 1 9 A, B, C 9 1 1 1 0 0 ITEMS: A = milk B= bread C= cereal D= sugar 8 E= eggs 4
KHÁI NIỆM CƠ BẢN CSDL GIAO DỊCH (tt) 1. Định nghĩa : Hạng mục (Item) : mặt hàng trong giỏ hay một thuộc tính o Tập các hạng mục (itemset) I = {i1, i2, …, im} : o VD : I = {sữa, bánh mì, ngũ cốc, sữa chua} Tập k hạng mục (k-itemset) Giao dịch (Transation) : tập các hạng mục được mua trong o một giỏ ( có TID – mã giao dịch) : (Tid, tập hạng mục) Giao dịch t : tập các hạng mục sao cho t  I o o VD : t = { bánh mì, sữa chua, ngũ cốc} CSDL giao dịch : tập các giao dịch o CSDL D = {t1,t2, …, tn} , ti={ii1,ii2, …, iik} với iij  I : CSDL o giao dịch 9 KHÁI NIỆM CƠ BẢN 2. ĐỘ PHỔ BIẾN VÀ TẬP PHỔ BIẾN Giao dịch t chứa X nếu X là tập các hạng mục trong I và X  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 itemsets) là tập các hạng mục có độ phổ biến thỏa mãn độ phổ biến tối thiểu minsupp (do người dùng xác định) 10 Nếu supp(S)  minsupp thì S - tập phổ biến . 5
KHÁI NIỆM CƠ BẢN 3. TÍNH CHẤT TẬP PHỔ BIẾN Tất cả các tập con của tập phổ biến đều là tập phổ biến Thảo luận : Tại sao ? Chứng minh. Nếu tập con không phổ biến thì tập bao nó (tập cha) có phổ biến hay không ? 11 VÍ DỤ 1 Minsupp = 60% I = { Beer, Bread, Jelly, Milk, PeanutButter} X= {Bread,PeanutButter} ; Count(X) = 3 và |D| = 5  supp(X) = 60% X- tập phổ biến X2 = {Bread}  supp(X2) = ? X3 = {PeanutButter}  supp(X3) = ?; X2 và X3 có phổ biến ? X4 = {Milk}, X5={Milk, Bread}  X4 và X5 có phổ biến ? 12 6
TẬP PHỔ BIẾN của VD 1 minsupp=30% 13 KHÁI NIỆM CƠ BẢN 4. TẬP PHỔ BIẾN TỐI ĐẠI (Max-Pattern) Tập phổ biến & không Tid Items tồn tại tập nào bao nó 10 A,B,C,D,E là phổ biến (Bayardo – 20 B,C,D,E, SIGMOD’98) 30 A,C,D,F {B, C, D, E}, {A, C, D} - tập phổ biến tối đại Minsupp=2 {B, C, D} - không phải tập phổ biến tối đại 14 7
KHÁI NIỆM CƠ BẢN TẬP PHỔ BIẾN ĐÓNG (Closed 5. Pattern) Tập phổ biến & không tồn tại tập TID Items nào bao nó có cùng độ phổ biến như nó. (Pasquier, ICDT’99) 10 a, b, c Tập phổ biến ĐÓNG là trường hợp nén 20 a, b, c các tập phổ biến (có mất thông tin) 30 a, b, d Ví dụ : {A, B}, {A, B, D}, {A,B, C} - 40 a, b, d, tập phổ biến đóng. 50 c, e, f {A, B} - không phải tập phổ biến tối đại Minsupp=2 Mối quan hệ giữa tập phổ biến đóng và tập phổ biến tối đại 15 ntn? KHÁI NIỆM CƠ BẢN 6. LUẬT KẾT HỢP( Association rule) LKH có dạng : X  Y, với X, Y  I, và X Y ={} Ý nghĩa : khi X có mặt thì Y cũng có mặt ( với xác suất nào đó) LKH thường được đánh giá dựa trên 2 độ đo: Độ phổ biến (support) : supp (X  Y ) =P (X  Y) supp (X  Y ) = supp(XY) Độ tin cậy (confidence) : conf (X  Y ) = P(Y | X) conf (X  Y ) = supp(XY) / supp(X) 16 8
VÍ DỤ LUẬT KẾT HỢP (VD1) Ký hiệu : s – supp, α - conf 17 KHÁI NIỆM CƠ BẢN 7. MÔ TẢ BÀI TOÁN KHAI THÁC LKH Cho độ phổ biến tối thiểu (minsupp) và độ tin cậy tối thiểu (minconf) do người dùng xác định. Cho tập các hạng mục I={i1,i2,…,im} và CSDL giao dịch D={t1,t2, …, tn}, với ti={ii1,ii2, …, iik} và iij  I. Bài toán khai thác LKH là bài toán tìm tất cả các luật dạng X  Y (X, Y  I và X Y = {}) thỏa mãn độ phổ biến và độ tin cậy tối thiểu supp (X  Y )  minsupp conf (X  Y )  minconf 18 9
Bài tập theo nhóm Thời gian : 8’  Minsupp = 50% Trình bày ý tưởng  Minconf = 100% (không yêu cầu giải BT) giải quyết vần đề trước Trs-id Items bought lớp trong vòng 3’ 10 E, B, C, D 20 A, B, C, D Tình huống :  30 D, B, F – Cho CSDL bên với các giá trị minsupp =50 % và 40 A, E, C minconf = 100% – Cần tìm tất cả các luật kết hợp thỏa mãn minsupp và minconf. – Nhận xét ? 19 KHÁI NIỆM CƠ BẢN 8. QUI TRÌNH KHAI THÁC LKH Bước 1 : Tìm tất cả các tập phổ biến ( theo ngưỡng minsupp) Bước 2 : Xây dựng 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, o Luật A  (S - A) là LKH cần tìm nếu :  conf (A  (S - A)) = supp(S) / supp(A)  minconf Từ bài toán khai thác LKH chuyển thành  bài toán khai thác tập phổ biến : độ phức tạp tính toán cao. 20 10
VÍ DỤ Minsupp = 50% Transaction-id Items bought Minconf = 80% 10 A, B, C 20 A, C Frequent Itemsets Support 30 A, D {A} 75% 40 B, E, F {B} 50% {C} 50% {A, C} 50% Luật A  C : supp (A  C) = supp({A}{C}) = 50% conf (A  C) = supp({A}{C})/supp({A}) = 66.6% (loại) Luật C  A : supp (C  A) = supp({C}{A}) = 50% conf (C  A) = supp({C}{A})/supp({C}) = 100% (chọn) 21 NỘI DUNG 1. Giới thiệu 2. Các khái niệm cơ bản 3. Bài toán khai thác tập phổ biến  Thuật toán Apriori 22 11
GIỚI THIỆU Bài toán khai thác tập phổ biến là bài toán rất quan trọng lĩnh vực KTDL Bài toán khai thác tập phổ biến là bài toán tìm tất cả các tập các hạng mục S (hay tập phổ biến S) có độ phổ biến thỏa mãn độ phổ biến tối thiểu minsupp supp(S)  minsupp Cách giải quyết : dựa trên tính chất của tập phổ biến Tìm kiếm theo chiều rộng : Thuật toán Apriori (1994) Phát triển mẫu : Thuật toán FP-Growth (2000) Tìm kiếm trên CSDL dạng dọc : Thuật toán Charm 23 (2002) TÌM KIẾM THEO CHIỀU RỘNG 1. BẢN CHẤT Nguyên tắc loại bỏ Apriori : Nếu không phải là tập phổ biến thì tập bao nó cũng không phổ biến Phương pháp : Tìm tất cả các tập phổ biến 1- hạng mục. Tạo các tập ứng viên kích thước k-hạng mục (k - candidate itemset) từ các tập phổ biến có kích thước (k-1)-hạng mục Kiểm tra độ phổ biến của các ứng viên trên CSDL và loại các ứng viên không phổ biến Dừng khi không tạo được tập phổ biến hay tập ứng viên 24 12
VÍ DỤ TT APRIORI minsupp= 50% Itemset sup C1 L1 Itemset sup CSDL D {A} 2 {A} 2 Tid Items {B} 3 {B} 3 10 A, C, D {C} 3 1st scan {C} 3 20 B, C, E {D} 1 {E} 3 30 A, B, C, E {E} 3 40 B, E C2 Itemset sup C2 Itemset {A, B} 1 2nd scan L2 Itemset sup {A, B} {A, C} 2 {A, C} 2 {A, C} {A, E} 1 {B, C} 2 {A, E} {B, C} 2 {B, E} 3 {B, C} {B, E} 3 {C, E} 2 {C, E} 2 {B, E} {C, E} L3 C3 Itemset 3rd scan Itemset sup {B, C, E} 25 {B, C, E} 2 THUẬT TOÁN APRIORI 2. Pseudo-Code Input : CSDL D, minsupp 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 ; k++) { Ck+1 = apriori_gen(Lk); // Tạo tập ứng viên (k+1) hạng mục for mỗi giao tác t  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  Ct c.count ++ } Lk+1 = { c  Ck+1 | c.count  minsupp } } return L = k Lk; 26 13
THUẬT TOÁN APRIORI 3. 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 Giả sử các hạng mục trong Lk sắp xếp theo thứ tự Procedure apriori_gen (Lk : Tập phổ biến kích thước k) for mỗi itemset l1 Lk for mỗi itemset l2 Lk if (l1 [1] = l2 [1])  (l1 [2] = l2 [2])  … (l1 [k-1] = l2 [k-1])  (l1 [k] < l2 [k]) then { c = l1  l2 ; // Bước 1 :kết Lk với chính nó if has_infrequent_subset (c, Lk ) then // B2 : Loại bỏ các ứng viên không có lợi Xóa c ; else Thêm c vào Ck+1 ; } return Ck+1 ; 27 THUẬT TOÁN APRIORI Tạo tập ứng viên (k+1)- hạng mục (tt) Bước 2 : loại bỏ 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  c if s Lk then return True ; return False ; 28 14
VÍ DỤ TẠO TẬP ỨNG VIÊN Giả sử L3 = {{1, 2, 3}, {1, 2, 4}, {1, 3, 4},  {1, 3, 5}, {2, 3, 4}}  Sau bước kết : – C4 = {{1, 2, 3, 4}, {1, 3, 4, 5}} Sau bước loại bỏ, còn :  – C4 = {{1, 2, 3, 4}} vì {1, 4, 5}  L3 nên {1, 3, 4, 5} bị loại 29 CÁC THÁCH THỨC CỦA TT APRIORI Thách thức : Phải duyệt CSDL nhiều lần Số lượng tập ứng viên rất lớn Thực hiện việc tính độ phổ biến nhiều, đơn điệu Cải tiến Apriori : ý tưởng chung Giảm số lần duyệt CSDL Giảm số lượng tập ứng viên Qui trình tính độ phổ biến thuận tiện hơn 30 15
CÁC KỸ THUẬT CẢI TIẾN THUẬT TOÁN APRIORI Tự tìm hiểu trong tài liệu tham khảo Chia để trị : A. Savasere, E. Omiecinski, and S. Navathe. An efficient algorithm for mining association in large databases. VLDB’95 Chia CSDL thành các phân hoạch D1,D2,…,Dp Tìm tập phố biến cục bộ trong từng phân hoạch và tổ hợp Hàm băm (Hashing) : J. Park, M. Chen, and P. Yu. An effective hash-based algorithm for mining association rules. SIGMOD’95 Băm các tập ứng viên k-hạng mục vào các giỏ Tập ứng viên k-hạng mục tương ứng giỏ có độ phổ biến
BÀI TẬP (cá nhân) Thời gian : 25’  Tid Items Chỉ trình bày kết quả câu 1  (không cần ghi chi tiết các 100 M1, M2, M5 bước của câu 1) và chi tiết câu 200 M2, M4 2, câu 3 vào giấy nộp cho GV. 300 M2, M3 Cho CSDL giao dịch bên 1. Sử dụng thuật toán Apriori để tìm 400 M1, M2, M4 các tập phổ biến với minsupp = 22 500 M1, M3 % 2. Liệt kê các tập phổ biến tối đại và 600 M2, M3 tập phổ biến đóng. 700 M1, M3 3. Tìm tất cả các luật kết hợp thỏa mãn 800 M1, M2, M3, a. Minconf = 50 % M5 b. Minconf = 70% 900 M1, M2, M3 33 Qui định trình bày bài nộp Bài tập nộp cá nhân Ngày nộp :   Tên nhóm : – Họ và tên: – Mã số SV : Nội dung :  Lưu ý : Nộp chung bài làm của các thành viên trong cùng một nhóm. 34 17
CÁC CÔNG VIỆC CẦN LÀM 1. Thực hiện bài tập nhóm chương 3. Nộp bài qua Moodle trước 23h00 ngày – chủ nhật – 18/10/2009 2. Chuẩn bị bài 3 : Khai thác tập phổ biến và luật kết hợp – P2 – Xem nội dung bài 3 – Phần 2. – Chuẩn bị BT nhóm Bài 3 – Phần 2 – Cách thực hiện : Đọc slide, xem các ví dụ • • Tham khảo trên Internet và tài liệu tham 35 khảo BÀI TẬP PHẦN 1 Hãy tìm hiểu trong tài liệu tham khảo [2], [3] 1. và trình bày chi tiết một phương pháp cải tiến quá trình tìm luật kết hợp từ tập phổ biến (Bước 2 trong qui trình khai thác luật kết hợp)? Giải thích vì sao nó hiệu quả hơn. Tìm hiểu các phương pháp cải tiến thuật 2. toán Apriori. Trình bày chi tiết MỘT cải tiến ( ý tưởng, mã giả ) Áp dụng một trong các phương pháp cải 3. tiến đó vào bài tập 4.a. Nêu rõ đã cải tiến ở phần nào . 36 18
BÀI TẬP PHẦN 1 Cho CSDL sau và minsupp=50%, minconf=80% 4. TID Date Items_bought 100 15/1/03 K, A, D, B, C, I 200 15/1/03 D, A, C, E, B 300 19/1/03 C, A, B, E, D 400 25/1/03 B, A, D, I, K Sử dụng thuật toán Apriori để tìm tất cả các tập phổ a) biến, tập phổ biến tối đại, tập phổ biến đóng. Tìm tất cả LKH thỏa mãn ngưỡng minconf đã cho b) Ứng dụng cải tiến của câu 1 vào việc tìm các LKH c) thỏa mãn ngưỡng minconf. So sánh hiệu quả về thời gian thực hiện với kết quả ở câu b). Liệt kê LKH thỏa mãn ngưỡng đã cho và có dạng d) (item1  item2)  item3 kèm theo supp, conf của nó. 37 TÀI LIỆU THAM KHẢO R. Agrawal and R. Srikant. Fast algorithms 1. for mining association rules. VLDB'94 487- 499, Santiago, Chile. 2. J.Han, M.Kamber, Chương 6 – Data mining : Concepts and Techniques http://www.cs.sfu.ca/~han/dmbook http://www-faculty.cs.uiuc.edu/~hanj/bk2/slidesindex.html : 2nd P.-N. Tan, M. Steinbach, V. Kumar, Chương 3. 6 - Introduction to Data Mining http://www-users.cs.umn.edu/~kumar/dmbook/ch6.pdf 38 19
Q&A 39 20