Luận văn Thạc sĩ Kỹ thuật: Một số thuật toán học máy trong phân loại hành vi sử dụng gói cước data viễn thông

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:80

Thêm vào BST

Báo xấu

39
lượt xem 7
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận văn tập trung vào các kỹ thuật xử lý dữ liệu lớn và các thuật toán phân lớp dữ liệu bao gồm: Phân loại tuyến tính, Hồi quy logistic, Phân loại Naïve Bayes, Rừng ngẫu nhiên (RF). Ứng dụng thuật toán học máy trong lĩnh vực kinh doanh viễn thông sử dụng dữ liệu lịch sử của tập khách hàng để xây dựng các mô hình có khả năng phân loại, dự đoán nhu cầu sử dụng của khách hàng.

Chủ đề:

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

Lưu

Nội dung Text: Luận văn Thạc sĩ Kỹ thuật: Một số thuật toán học máy trong phân loại hành vi sử dụng gói cước data viễn thông

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG  NGUYỄN QUANG TUẤN MỘT SỐ THUẬT TOÁN HỌC MÁY TRONG PHÂN LOẠI HÀNH VI SỬ DỤNG GÓI CƯỚC DATA VIỄN THÔNG LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) Hà Nội - năm 2020
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG  NGUYỄN QUANG TUẤN MỘT SỐ THUẬT TOÁN HỌC MÁY TRONG PHÂN LOẠI HÀNH VI SỬ DỤNG GÓI CƯỚC DATA VIỄN THÔNG CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 8.48.01.01 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.TS. TRẦN ĐÌNH QUẾ Hà Nội - năm 2020
LỜI CAM ĐOAN Tôi xin cam đoan: Khoá luận tốt nghiệp với đề tài “MỘT SỐ THUẬT TOÁN HỌC MÁY TRONG PHÂN LOẠI HÀNH VI SỬ DỤNG GÓI CƯỚC DATA VIỄN THÔNG” là công trình nghiên cứu của cá nhân tôi, các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác, không sao chép của bất cứ ai. Tôi xin chịu mọi trách nhiệm về công trình nghiên cứu của riêng mình! Hà Nội, ngày …………. Người cam đoan Nguyễn Quang Tuấn
i MỤC LỤC DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT ............................................ iv DANH MỤC CÁC BẢNG ........................................................................................ v DANH MỤC CÁC HÌNH ........................................................................................ vi MỞ ĐẦU .................................................................................................................... 1 CHƯƠNG 1 - TỔNG QUAN VỀ BÀI TOÁN PHÂN LOẠI HÀNH VI SỬ DỤNG DỊCH VỤ VIỄN THÔNG ............................................................................ 3 1.1 Giới thiệu bài toán ..........................................................................................3 1.2 Tổng quan quy trình phân tích dữ liệu .........................................................3 1.2.1 Tổng quan .................................................................................................3 1.2.2 Quy trình triển khai bài toán phân tích dữ liệu ......................................4 1.2.3 Lưu đồ quy trình thực hiện dự án ứng dụng phân tích dữ liệu .............6 1.3 Xử lý dữ liệu phân tán với Spark ..................................................................6 1.3.1 Giới thiệu ..................................................................................................6 1.3.2 Cơ chế hoạt động ......................................................................................7 1.3.3 Spark application ......................................................................................9 1.4 Các chỉ số đánh giá hiệu năng mô hình ........................................................9 1.4.1 Ma trận nhầm lẫn (Confusion matrix) ....................................................9 1.4.2 Các chỉ số Accuracy, Precision, Recall và F1 score .............................10 1.4.3 Đường cong ROC ...................................................................................11 1.4.4 Biểu đồ Lift .............................................................................................13 1.4.5 Biểu đồ Gain ...........................................................................................14 1.5 Các phương pháp xây dựng đặc trưng dữ liệu ..........................................15 1.5.1 Các phương pháp thống kê lựa chọn đặc trưng dữ liệu với phương pháp lọc ............................................................................................................16
ii 1.5.2 Các phương pháp thống kê lựa chọn đặc trưng dữ liệu với phương pháp đóng gói...................................................................................................20 1.5.3 Các phương pháp thống kê lựa chọn đặc trưng dữ liệu với phương pháp nhúng ......................................................................................................21 1.6 Kỹ thuật tiền xử lý dữ liệu ...........................................................................22 1.6.1 Xử lý thiếu giá trị ....................................................................................23 1.6.2 Xử lý giá trị ngoại lai..............................................................................25 1.7 Thuật toán giảm chiều dữ liệu (PCA) .........................................................25 CHƯƠNG 2 - MÔ HÌNH HÀNH VI VÀ MỘT SỐ THUẬT TOÁN HỌC MÁY ......................................................................................................................... 28 2.1 Thuật toán rừng ngẫu nhiên (Random Forest) ..........................................28 2.1.1 Cây quyết định ........................................................................................28 2.1.2 Thuật toán rừng ngẫu nhiên (Random Forest) ....................................29 2.2 Thuật toán Naïve Bayes................................................................................32 2.2.1 Suy diễn Bayes ........................................................................................32 2.2.2 Cơ sở lý thuyết ........................................................................................33 2.2.3 Ứng dụng của Bayes trong phân tích dữ liệu .......................................35 2.3 Thuật toán Logistic Regression ...................................................................36 2.3.1 Khái niệm ................................................................................................36 2.3.2 Cơ sở lý thuyết ........................................................................................36 CHƯƠNG 3 - THỬ NGHIỆM VÀ ĐÁNH GIÁ ................................................... 38 3.1 Đặt vấn đề ......................................................................................................38 3.2 Xác định bài toán ..........................................................................................38 3.3 Quy trình xây dựng mô hình học máy ........................................................39 3.4 Thực nghiệm ..................................................................................................40 3.4.1 Nhập vào các thư viện ............................................................................40
iii 3.4.2 Khai báo biến ngày tháng ......................................................................41 3.4.3 Import cơ sở dữ liệu ...............................................................................43 3.4.4 Tiền xử lý dữ liệu....................................................................................44 3.5 Kết quả thực nghiệm ....................................................................................48 3.6 Xây dựng hệ thống ........................................................................................54 3.6.1 Giới thiệu hệ thống .................................................................................54 3.6.2 Biểu đồ ca sử dụng hành vi người dùng ...............................................55 3.6.3 Biểu đồ ca sử dụng giám sát dự án .......................................................56 3.6.4 Biểu đồ ca sử dụng giám sát mô hình ...................................................57 3.6.5 Giao diện Home ......................................................................................58 3.6.6 Giao diện thanh điều hướng ..................................................................58 3.6.7 Giao diện thông tin chung .....................................................................59 3.6.8 Giao diện nguồn dữ liệu.........................................................................60 3.6.9 Giao diện thông tin mô hình ..................................................................61 3.7 Kết quả trong triển khai thực tế ..................................................................62 3.7.1 Các chỉ số tính hiệu quả triển khai .......................................................62 3.7.2 Kết quả triển khai thực tế .......................................................................63 DANH MỤC TÀI LIỆU THAM KHẢO ............................................................... 67
iv DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt EDA Exploratory Data Analysis Phân tích, khai phá dữ liệu ETL Extract Transform Load Quá trình trích xuất, biến đổi và tải KPI Key Performance Indicator Chỉ số đo lường hiệu quả công việc PTDL Phân tích dữ liệu PYC Phiếu yêu cầu RF Random Forest Thuật toán rừng ngẫu nhiên ROC Receiver operating characteristic Biểu đồ hiệu năng phân loại TNR True Negative Rate Tỉ lệ dự đoán đúng nhãn âm tính TPR True Positive Rate Tỉ lệ dự đoán đúng nhãn dương tính TUR Take up rate Tỉ lệ phản hồi của khách hàng
v DANH MỤC CÁC BẢNG Bảng 1.1: Quy trình triển khai bài toán phân tích dữ liệu 4 Bảng 1.2: Tương quan giữa hai trường dân số và thu nhập 18 Bảng 1.3: Bảng tính giá trị chi bình phương 19 Bảng 1.4: Bảng tính xác suất cho từng sự kiện 19 Bảng 1.5: Bảng tính giá trị kỳ vọng 20 Bảng 1.6: Các phương pháp thay thế 24
vi DANH MỤC CÁC HÌNH Hình 1.1: Lưu đồ quy trình thực hiện dự án ứng dụng phân tích dữ liệu 6 Hình 1.2: Các thành phần chính của Spark 7 Hình 1.3: Cơ chế hoạt động của ứng dụng Spark 8 Hình 1.4: Luồng hoạt động của ứng dụng Spark 9 Hình 1.5: Ma trận nhầm lẫn 10 Hình 1.6: Đường cong ROC 12 Hình 1.7: Diện tích bên dưới đường cong ROC 13 Hình 1.8: Xác suất phần loại nhãn 13 Hình 1.9: Biểu đồ lift 14 Hình 1.10: Biểu đồ Gain 15 Hình 1.11: Đồ thị biểu diễn độ thuần khiết GINI 21 Hình 1.12: Mô phỏng thuật toán PCA 26 Hình 1.13: Mô phỏng cách tính khoảng cách nhỏ nhất trong thuật toán PCA 27 Hình 2.1: Đồ thị của hàm Entropy 29 Hình 2.2: Ý tưởng thuật toán Rừng ngẫu nhiên 31 Hình 2.3: Mô tả suy diễn Bayes 34 Hình 2.4: Phân bố Bayes 35 Hình 2.5: Đồ thị hàm sigmoid 37 Hình 3.1: Các bước xây dựng mô hình học máy 40 Hình 3.2: ROC thuật toán Naïve Bayes 48 Hình 3.3: ROC thuật toán hồi quy Logistic 49 Hình 3.4: ROC thuật toán rừng ngẫu nhiên 49 Hình 3.5: Cumulative gain thuật toán Naïve Bayes 49 Hình 3.6: Cumulative gain hồi quy Logistic 50 Hình 3.7: Cumulative gain thuật toán rừng ngẫu nhiên 50 Hình 3.8: Precision-Recall thuật toán Naïve Bayes 51 Hình 3.9: Precision-Recall thuật toán hồi quy Logistic 51 Hình 3.10: Precision-Recall thuật toán rừng ngẫu nhiên 52
vii Hình 3.11: Biểu đồ Lift thuật toán Naïve Bayes 53 Hình 3.12: Biểu đồ Lift thuật toán hồi quy Logistic 53 Hình 3.13: Biểu đồ Lift thuật toán Rừng ngẫu nhiên 54 Hình 3.14: Biểu đồ ca sử dụng hành vi người dùng 56 Hình 3.15: Biểu đồ ca sử dụng chức năng giám sát dự án 56 Hình 3.16: Biểu đồ ca sử dụng giám sát mô hình 57
1 MỞ ĐẦU Ngày nay, trong kỷ nguyên kỹ thuật số, với sự bùng nổ của thông tin, số lượng dữ liệu do con người tạo ra ngày càng khổng lồ. Số lượng điện thoại smartphone và thiết bị kết nối tăng nhanh chóng, ngành công nghiệp viễn thông tràn ngập với số lượng dữ liệu khổng lồ. Nguồn gốc của số lượng dữ liệu khổng lồ này bao gồm dữ liệu lưu lượng truy cập mạng, mô hình sử dụng dữ liệu của khách hàng, dữ liệu vị trí, ứng dụng đã tải về,… Ngành công nghiệp viễn thông đang ngày càng thay đổi và phát triển không ngừng. Điện thoại thông minh đã trở thành một nhu cầu cơ bản của mỗi người trong cuộc sống ngày nay. Mọi người có thể kết nối với nhau ở bất cứ nơi nào trên thế giới, xóa bỏ rào cản khoảng cách. Mọi thông tin đều có thể được thu thập và xử lý nhanh hơn bao giờ hết. Và phân tích dữ liệu lớn sẽ tạo điều kiện cho các ngành công nghiệp viễn thông phát triển mạnh mẽ trong thế giới kỹ thuật số. Các ứng dụng của phân tích số liệu trong lĩnh vực viễn thông, dữ liệu lớn là một cơ hội chuyển đổi ngành viễn thông sang hướng hoạt động hiệu quả hơn nhờ gia tăng mức độ hài lòng của khách hàng, tăng doanh thu nhờ tăng sản lượng và loại hình dịch vụ cung cấp, cắt giảm chi phí vận hành, giảm thiểu thiệt hại. Trong khuôn khổ luận văn tập trung vào các kỹ thuật xử lý dữ liệu lớn và các thuật toán phân lớp dữ liệu bao gồm: Phân loại tuyến tính, Hồi quy logistic, Phân loại Naïve Bayes, Rừng ngẫu nhiên (RF). Ứng dụng thuật toán học máy trong lĩnh vực kinh doanh viễn thông sử dụng dữ liệu lịch sử của tập khách hàng để xây dựng các mô hình có khả năng phân loại, dự đoán nhu cầu sử dụng của khách hàng. Tập kết quả đó sẽ được dùng để hỗ trợ các đơn vị kinh doanh truyền thống đưa ra quyết định trong các chiến dịch kinh doanh của doanh nghiệp. Cấu trúc của bài luận văn gồm 3 chương: Chương 1: Tổng quan về bài toán phân loại hành vi sử dụng dịch vụ viễn thông: Trong chương này trình bày tổng quan quy trình phân tích dữ liệu, hệ thống xử lý dữ liệu phân tán và các phương pháp xử lý dữ liệu.
2 Chương 2: Mô hình hành vi và một số thuật toán học máy: Chương này sẽ đi sâu vào tìm hiểu 3 thuật toán là rừng ngẫu nhiên, phân loại Naïve Bayes, hồi quy Logistic. Chương 3: Thử nghiệm và đánh giá: Chương này sẽ nêu mục tiêu thử nghiệm bài toán, ý nghĩa các chỉ số đo và thử nghiệm xây dựng mô hình dự đoán lần lượt với 3 thuật toán nêu trên và đánh giá kết quả.
3 CHƯƠNG 1 - TỔNG QUAN VỀ BÀI TOÁN PHÂN LOẠI HÀNH VI SỬ DỤNG DỊCH VỤ VIỄN THÔNG 1.1 Giới thiệu bài toán Các ứng dụng của phân tích số liệu trong lĩnh vực viễn thông, dữ liệu lớn là một cơ hội chuyển đổi ngành viễn thông sang hướng hoạt động hiệu quả hơn nhờ gia tăng mức độ hài lòng của khách hàng, tăng doanh thu nhờ tăng sản lượng và loại hình dịch vụ cung cấp, cắt giảm chi phí vận hành, giảm thiểu thiệt hại. Trong khuôn khổ luận văn tập trung vào các kỹ thuật xử lý dữ liệu lớn và các thuật toán phân lớp dữ liệu bao gồm: Phân loại tuyến tính, Hồi quy logistic, Phân loại Naïve Bayes, Rừng ngẫu nhiên (RF). Ứng dụng thuật toán học máy trong lĩnh vực kinh doanh viễn thông sử dụng dữ liệu lịch sử của tập khách hàng để xây dựng các mô hình có khả năng phân loại, dự đoán nhu cầu sử dụng của khách hàng. Tập kết quả đó sẽ được dùng để hỗ trợ các đơn vị kinh doanh truyền thống đưa ra quyết định trong các chiến dịch kinh doanh của doanh nghiệp. 1.2 Tổng quan quy trình phân tích dữ liệu 1.2.1 Tổng quan - Sự kiện bắt đầu: Kinh doanh gửi PYC thực hiện dự án. - Sự kiện kết thúc: Triển khai theo dõi kết quả và hành vi sau tác động. - Đầu vào: Tài liệu đánh giá phạm vi mục tiêu của chương trình ứng dụng kinh doanh dựa trên phân tích dữ liệu. - Đầu ra:  Bảng dữ liệu sau quá trình mô hình dự đoán  Chương trình kinh doanh tác động đến khách hàng cuối dựa trên phân tích dữ liệu.  Báo cáo kết quả đánh giá chương trình.  Triển khai mở rộng và xây dựng các chiến dịch định kỳ
4 1.2.2 Quy trình triển khai bài toán phân tích dữ liệu Bảng 1.1: Quy trình triển khai bài toán phân tích dữ liệu Hoạt động chính Các nội dung quan trọng Đơn vị kinh doanh: đưa ra yêu cầu bài toán, mô tả rõ 1. Đưa ra yêu cầu bài toán hiện trạng và mục tiêu đầu ra mong muốn về cả doanh thu và tỷ lệ take up rate. Đơn vị kinh doanh: Đặt ra mục tiêu đầu ra mong muốn về cả doanh thu và tỷ lệ take up rate. 2. Xác định yêu cầu, phạm Xác định các KPI và con số để đánh giá mô hình dự vi và các KPI mục tiêu cần đoán trong bài toán phân tích. đạt Xác định các KPI về kết quả triển khai của campaign ứng dụng phân tích dữ liệu. Hypothesis testing Làm sạch dữ liệu, Khám phá dữ liệu, tìm hiểu và chuẩn 3.Phân tích mô tả bị dữ liệu (Descriptive analytics) Kế hoạch phân tích Phân tích và chứng minh giả thiết TT PTDL đưa ra danh sách đặc trưng liên quan đến dữ 4.Xây dựng đặc trưng dữ liệu. liệu (feature engineering) TTSP sử dụng kết quả trực quan hóa và kinh nghiệm về mặt kinh doanh giúp đóng vai trò tư vấn 5.Xây dựng model dự TT PTDL xây dựng mô hình dự đoán theo các đặc đoán phù hợp với chương trưng dữ liệu đã thống nhất.
5 Hoạt động chính Các nội dung quan trọng trình (Predictive analystics) 6.Trực quan hóa kết quả, TT PTDL trực quan hóa đặc tính của các thuê bao thuyết phục với đơn vị ra được dự đoán. yêu cầu Thuyết phục đơn vị kinh doanh về kết quả đầu ra Lựa chọn sản phẩm, offer phù hợp với đặc tính từng 7.Xây dựng kịch bản nhóm thuê bao truyền thông Xây dựng kịch bản tác động, nội dung tin nhắn, thời điểm, trigger tác động... Phối hợp với các đơn vị P.QLDT, TTSP, TKCS để khai báo campaign tác động đến khách hàng cuối. 8.Triển khai và theo dõi Chia tập tác động thành 2 tập Target Group – để tác kết quả động và Control Group - để và theo dõi Xây dựng Dashboard để theo dõi các chỉ số KPI và diễn biến hành vi thuê bao sau tác động 9.Báo cáo kết quả Báo cáo kết quả chương trình tới BTGĐ 10.Triển khai mở rộng, Nếu kết quả chương trình tốt, triển khai mở rộng và định kỳ đựng thành luồng định kỳ hàng ngày/hàng tháng
6 1.2.3 Lưu đồ quy trình thực hiện dự án ứng dụng phân tích dữ liệu Hình 1.1: Lưu đồ quy trình thực hiện dự án ứng dụng phân tích dữ liệu 1.3 Xử lý dữ liệu phân tán với Spark 1.3.1 Giới thiệu Apache Spark là một khung làm việc mã nguồn mở tính toán phân tán được phát triển sơ khởi vào năm 2009 bởi AMPLab tại đại học California. Sau này, Spark đã được trao cho Apache Software Foundation vào năm 2013 và được phát triển cho đến nay. Nó cho phép xây dựng các mô hình dự đoán nhanh chóng với việc tính toán được thực hiện trên một nhóm các máy tính, có có thể tính toán cùng lúc trên toàn bộ tập dữ liệu mà không cần phải trích xuất mẫu tính toán thử nghiệm. Tốc độ xử lý của Spark có được do việc tính toán được thực hiện cùng lúc trên nhiều máy khác nhau. Đồng thời việc tính toán được thực hiện ở bộ nhớ trong (in-memories) hay thực hiện hoàn toàn trên RAM. Các ngôn ngữ lập trình được hỗ trợ bởi Spark bao gồm: Java, Python, Scala và R. Thông qua spark các lập trình viên và các nhà khoa học dữ liệu có thể truy vấn, phân tích, và chuyển đổi dữ liệu một cách nhanh chóng. Các task thường xuyên được sử dụng kết hợp với spark như ETL và SQL để thực hiện các câu lệnh truy vấn tuần
7 tự trên những tập dữ liệu lớn, xử lý dòng dữ liệu từ các cảm biến, hệ thống tài chính hay các task Machine learning. Hình 1.2: Các thành phần chính của Spark Thành phần chính của Spark là Spark Core: cung cấp những chức năng cơ bản nhất của Spark như lập lịch cho các tác vụ, quản lý bộ nhớ, khắc phục lỗi, tương tác với các hệ thống lưu trữ…Đặc biệt, Spark Core cung cấp API để định nghĩa RDD (Resilient Distributed DataSet) là tập hợp của các item được phân tán trên các nút của cụm và có thể được xử lý song song. Spark có thể chạy trên nhiều loại quản lý cụm như Hadoop YARN, Apache Mesos hoặc trên chính quản lý cụm được cung cấp bởi Spark được gọi là Standalone Scheduler. • Spark SQL cho phép truy vấn dữ liệu cấu trúc qua các câu lệnh SQL. Spark SQL có thể thao tác với nhiều nguồn dữ liệu như Hive tables, Parquet, và JSON. • Spark Streaming cung cấp API để dễ dàng xử lý dữ liệu stream, • MLlib cung cấp rất nhiều thuật toán của học máy như: phân loại nhãn, hồi quy, phân loại, lọc cộng tác… • GraphX là thư viện để xử lý đồ thị. 1.3.2 Cơ chế hoạt động Để tìm hiểu spark chúng ta sẽ bắt đầu với lịch sử hình thành và phát triển của nó. Trước Spark chúng ta đã từng biết tới MapReduce- một khung xử lý dữ liệu phân tán giúp Google thiết lập các chỉ mục trong sự bùng nổ của nội dung web, trên các cụm máy chủ lớn.
8 Hình 1.3: Cơ chế hoạt động của ứng dụng Spark Có ba khái niệm cốt lõi trong chiến lược của Google:  Dữ liệu phân tán: Khi một tệp dữ liệu được tải lên cụm, nó sẽ được chia thành các phần được gọi là data block sau đó được phân phối chạy trên các data nodes và nhân rộng trên các cluster.  Tính toán phân tán: người dùng chỉ định map function để xử lý dữ liệu dựa trên các cặp key/value. Để tạo ra một tập các cặp key/value và kết hợp chúng với reduce function thì tất cả các giá trị trung gian được liên kết với cùng một khóa. Một chương trình được viết theo cấu trúc này sẽ tự động chạy song song trên 1 cụm cluster lớn theo cách sau: - Quá trình mapping chạy trên mỗi node dữ liệu được chỉ định, chỉ hoạt động trên một block dữ liệu từ mỗi distribute file. - Các kết quả từ quá trình mapping được gửi tới Reducer trong một quy trình được gọi là “shuffle and sort”: các cặp key/value từ quá trình mapping sẽ được sắp xếp theo key, được phân vùng theo số lượng reducer, sau đó được gửi qua hệ thống network và được danh sách key đã được sắp xếp sẽ được ghi lại trên reducer node. - Quá trình reducer thực hiện trên các node được chỉ định. Output của quá trình reducer sẽ được ghi vào 1 file input.
9  Khả năng chịu lỗi: cả dữ liệu và tính toán có thể được chịu lỗi bằng cách chuyển sang node khác cho cả dữ liệu và tiến trình tính toán. 1.3.3 Spark application Biểu đồ bên dưới biểu diễn luồng chạy của một ứng dụng Spark chạy trên một cụm cluster.  Mỗi ứng dụng spark chạy dưới dạng các quy trình độc lập được điều phối bởi Spark Session.  Trình quản lý tài nguyên hay quản lý cluster sẽ phân công nhiệm vụ cho các worker, một task cho một phân vùng.  Mỗi task được giao cho 1 phần khối lượng của dataset trong partition của nó và output sẽ sẽ được xuất ra ở phân vùng dataset mới.  Kết quả được gửi trở lại driver application hoặc có thể được lưu vào ổ đĩa. Hình 1.4: Luồng hoạt động của ứng dụng Spark 1.4 Các chỉ số đánh giá hiệu năng mô hình 1.4.1 Ma trận nhầm lẫn (Confusion matrix) Ma trận nhầm lẫn (confusion matrix) là một chỉ số đo hiệu suất cơ bản để đánh giá hiệu năng dự đoán của một mô hình. Nó là một ma trận vuông kích thước 2x2