Embed Size (px)
Citation preview
1
KHAI THÁC DỮ LIỆU & ỨNG DỤNG
(DATA MINING)
GV: NGUYỄN HOÀNG TÚ ANH
2
BÀI 3- PHẦN 1
KHAI THÁC TẬP PHỔ BIẾN & LUẬT KẾT HỢP
2
3
NỘI DUNG
1. Giới thiệu 2. Các khái niệm cơ bản
3. Bài toán khai thác tập phổ biến
4
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 dịch bán hàng, Web log, chuỗi DNA, …
3
5
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
– ….
6
NỘI DUNG
1. Giới thiệu
2. Các khái niệm cơ bản 3. Bài toán khai thác tập phổ biến
4
7
KHÁI NIỆM CƠ BẢN
1. CSDL GIAO DỊCH
(Transaction DB)
VD giỏ mua hàng: o Giỏ 1: {Bánh mì,
Trứng, Sữa}
o Giỏ 2: {Bánh mì,
Đường}
…
o Giỏ n: {Bánh qui, ngũ
cốc, sữa}
TID Produces
1 MILK, BREAD, EGGS
2 BREAD, SUGAR
3 BREAD, CEREAL
4 MILK, BREAD, SUGAR
5 MILK, CEREAL
6 BREAD, CEREAL
7 MILK, CEREAL
8 MILK, BREAD, CEREAL,
EGGS
9 MILK, BREAD, CEREAL
8
KHÁI NIỆM CƠ BẢN
TID A B C D E
1 1 1 0 0 1
2 0 1 0 1 0
3 0 1 1 0 0
4 1 1 0 1 0
5 1 0 1 0 0
6 0 1 1 0 0
7 1 0 1 0 0
8 1 1 1 0 1
9 1 1 1 0 0
TID Products
1 A, B, E
2 B, D
3 B, C
4 A, B, D
5 A, C
6 B, C
7 A, C
8 A, B, C, E
9 A, B, C
ITEMS:
A = milk
B= bread
C= cereal
D= sugar
E= eggs
Biến đổi CSDL về
dạng nhị phân
5
9
1. CSDL GIAO DỊCH (tt) Định nghĩa:
o Hạng mục (Item): mặt hàng trong giỏ hay một thuộc tính
o Tập các hạng mục (itemset) I = {i1, i2, …, im} :
VD: I = {sữa, bánh mì, ngũ cốc, sữa chua}
Tập k hạng mục (k-itemset)
o Giao dịch (Transation): tập các hạng mục được mua trong
một giỏ ( có TID – mã giao dịch): (Tid, tập hạng mục)
o Giao dịch t : tập các hạng mục sao cho t I
o VD: t = { bánh mì, sữa chua, ngũ cốc}
o CSDL giao dịch: tập các giao dịch
o CSDL D = {t1,t2, …, tn} , ti={ii1,ii2, …, iik} với iij I : CSDL
giao dịch
KHÁI NIỆM CƠ BẢN
10
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)
Nếu supp(S) minsupp thì S - tập phổ biến .
KHÁI NIỆM CƠ BẢN
6
11
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 ?
KHÁI NIỆM CƠ BẢN
12
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 ?
VÍ DỤ 1
Minsupp = 60%
7
13
minsupp=30%
TẬP PHỔ BIẾN của VD 1
14
KHÁI NIỆM CƠ BẢN
4. TẬP PHỔ BIẾN TỐI
ĐẠI (Max-Pattern)
Tập phổ biến & không
tồn tại tập nào bao nó
là phổ biến (Bayardo –
SIGMOD’98)
{B, C, D, E}, {A, C, D} - tập phổ biến tối đại
{B, C, D} - không phải tập
phổ biến tối đại
Tid Items
10 A,B,C,D,E
20 B,C,D,E,
30 A,C,D,F
Minsupp=2
8
15
KHÁI NIỆM CƠ BẢN
5. TẬP PHỔ BIẾN ĐÓNG (Closed
Pattern)
Tập phổ biến & không tồn tại tập
nào bao nó có cùng độ phổ biến
như nó. (Pasquier, ICDT’99)
Ví dụ : {A, B}, {A, B, D}, {A,B, C} -
tập phổ biến đóng.
{A, B} - không phải tập phổ biến tối
đại
Mối quan hệ giữa tập phổ biến
đóng và tập phổ biến tối đại
ntn? Minsupp=2
TID Items
10 a, b, c
20 a, b, c
30 a, b, d
40 a, b, d,
50 c, e, f
16
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(XY)
Độ tin cậy (confidence): conf (X Y ) = P(Y | X)
conf (X Y ) = supp(XY) / supp(X)
KHÁI NIỆM CƠ BẢN
9
17
VÍ DỤ LUẬT KẾT HỢP (VD1)
Ký hiệu: s – supp, α - conf
18
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
KHÁI NIỆM CƠ BẢN
10
19
Thời gian: 8’
Trình bày ý tưởng (không yêu cầu giải BT) giải quyết vần đề trước lớp trong vòng 3’.
Tình huống: – Cho CSDL bên với các
giá trị minsupp =50 % và minconf = 100%
– Cần tìm tất cả các luật kết hợp thỏa mãn minsupp và minconf.
– Nhận xét?
Minsupp = 50%
Minconf = 100%
Trs-id Items bought
10 E, B, C, D
20 A, B, C, D
30 D, B, F
40 A, E, C, B
Bài tập cá nhân
20
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.
11
21
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)
Minsupp = 50%
Minconf = 80% Transaction-id Items bought
10 A, B, C
20 A, C
30 A, D
40 B, E, F
Frequent Itemsets Support
{A} 75%
{B} 50%
{C} 50%
{A, C} 50%
VÍ DỤ
22
NỘI DUNG
1. Giới thiệu
2. Các khái niệm cơ bản
3. Bài toán khai thác tập phổ
biến
Thuật toán Apriori
12
23
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
(2002).
24
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.
13
25
VÍ DỤ TT APRIORI minsupp= 50%
CSDL D
1st scan
C1 L1
L2
C2 C2
2nd scan
C3 L3 3rd scan
Tid Items
10 A, C, D
20 B, C, E
30 A, B, C, E
40 B, E
Itemset sup
{A} 2
{B} 3
{C} 3
{D} 1
{E} 3
Itemset sup
{A} 2
{B} 3
{C} 3
{E} 3
Itemset
{A, B}
{A, C}
{A, E}
{B, C}
{B, E}
{C, E}
Itemset sup
{A, B} 1
{A, C} 2
{A, E} 1
{B, C} 2
{B, E} 3
{C, E} 2
Itemset sup
{A, C} 2
{B, C} 2
{B, E} 3
{C, E} 2
Itemset
{B, C, E} Itemset sup
{B, C, E} 2
26
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;
14
27
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 Xóa c ; // B2: Loại bỏ các ứng viên không có lợi
else Thêm c vào Ck+1 ; }
return Ck+1 ;
28
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 ;
15
29
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
30
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.
16
31
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 <minsupp sẽ bị loại
Lấy mẫu : H. Toivonen. Sampling large databases for association rules. VLDB’96
CSDL lớn
Chọn mẫu từ CSDL và tìm tập phổ biến trên mẫu, kiểm tra bao đóng của các hạng mục phổ biến
Giảm số lượng giao dịch : R. Agrawal and R. Srikant. Fast algorithms for mining association rules. VLDB'94
Loại bỏ các giao dịch không chứa bất kỳ tập phổ biến nào
32
THUẬT TOÁN APRIORI -TID
BẢN CHẤT
Tương tự như thuật toán Apriori, sử dùng hàm
apriori_gen để tạo ứng viên.
Cải tiến theo hướng giảm số lượng giao dịch
TT Apriori_Tid không tính độ phổ biến của các tập
hạng mục từ các mẫu tin của CSDL mà xây dựng cấu
trúc lưu trữ mới Ck cho CSDL ban đầu .
Mỗi mẫu tin trong Ck có dạng <Tid, {Xk}> với Xk là tập phổ biến
k- hạng mục xuất hiện trong giao dịch có mã Tid.
Nếu một giao dịch không chứa bất kỳ một tập phổ biến k hạng
mục thì giao dịch này không được đưa vào Ck .
17
33
BÀI TẬP (cá nhân)
Thời gian: 25’
Chỉ trình bày kết quả câu 1 (không cần ghi chi tiết các bước của câu 1) và chi tiết câu 2, câu 3 vào giấy nộp cho GV.
Cho CSDL giao dịch bên 1. Sử dụng thuật toán Apriori để tìm
các tập phổ biến với minsupp = 22 %
2. Liệt kê các tập phổ biến tối đại và tập phổ biến đóng.
3. Tìm tất cả các luật kết hợp thỏa mãn a. Minconf = 50 %
b. Minconf = 70%
Tid Items
100 M1, M2, M5
200 M2, M4
300 M2, M3
400 M1, M2, M4
500 M1, M3
600 M2, M3
700 M1, M3
800 M1, M2, M3, M5
900 M1, M2, M3
34
CÁC CÔNG VIỆC CẦN LÀM 1. 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
khảo
2. Ôn bài LKH và TPB để chuẩn bị cho
kiểm tra giữa kỳ vào ngày 10/10/2012.
18
35
BÀI TẬP PHẦN 1
1. Hãy tìm hiểu trong tài liệu tham khảo [2], [3]
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.
2. Tìm hiểu các phương pháp cải tiến thuật
toán Apriori. Trình bày chi tiết MỘT cải tiến
( ý tưởng, mã giả )
3. Áp dụng một trong các phương pháp cải
tiến đó vào bài tập 4.a. Nêu rõ đã cải tiến ở
phần nào .
36
BÀI TẬP PHẦN 1 4. Cho CSDL sau và minsupp=50%, minconf=80%
a) Sử dụng thuật toán Apriori để tìm tất cả các tập phổ biến, tập phổ biến tối đại, tập phổ biến đóng.
b) Tìm tất cả LKH thỏa mãn ngưỡng minconf đã cho
c) Ứng dụng cải tiến của câu 1 vào việc tìm các LKH thỏa mãn ngưỡng minconf. So sánh hiệu quả về thời gian thực hiện với kết quả ở câu b).
d) Liệt kê LKH thỏa mãn ngưỡng đã cho và có dạng (item1 item2) item3 kèm theo supp, conf của nó.
TID
100
200
300
400
Date
15/1/03
15/1/03
19/1/03
25/1/03
Items_bought
K, A, D, B, C, I
D, A, C, E, B
C, A, B, E, D
B, A, D, I, K
19
37
TÀI LIỆU THAM KHẢO
1. R. Agrawal and R. Srikant. Fast algorithms
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
3. P.-N. Tan, M. Steinbach, V. Kumar, Chương
6 - Introduction to Data Mining
http://www-users.cs.umn.edu/~kumar/dmbook/ch6.pdf
38
Q & A
