TRƯỜNG ĐẠI HỌC THỦY LỢI

KHOA CÔNG NGHỆ THÔNG TIN

                                             

MÔN: KHAI PHÁ DỮ LIỆU

ĐỀ TÀI: PHÂN TÍCH DỰ ĐOÁN HỒ SƠ MẮC
BỆNH ĐỘT QUỴ
Giảng viên hướng dẫn   :  Trần Mạnh Tuấn

Nhóm sinh viên thực hiện: Nhóm 5 - Lớp 61HT

1. Lèng Xuân Sa :1951060977

2. Vũ Thị Thủy :1951061049

3. Nguyễn Thị Yến :1951061141
4. Phan Hùng Phát :1951060911

HÀ NỘI, 10/2022
 LỜI MỞ ĐẦU
Trong thời buổi hiện đại ngày nay, công nghệ thông tin cũng như những ứng dụng của
nó không ngừng phát triển, lượng thông tin và cơ sở dữ liệu được thu thập và lưu trữ
cũng tích lũy ngày một nhiều lên Con người cũng vì thế mà cần có thông tin với tốc
độ nhanh nhất để đưa ra quyết định dựa trên lượng dữ liệu khổng lồ đã có. Các
phương pháp quản trị và khai thác cơ sở dữ liệu truyền thống ngày càng không đáp
ứng được thực tế, vì thế, một khuynh hướng kỹ thuật mới là Kỹ thuật phát hiện tri
thức và khai phá dữ liệu nhanh chóng được phát triển. 
Khai phá dữ liệu đã và đang được nghiên cứu, ứng dụng trong nhiều lĩnh vực khác
nhau ở các nước trên thế giới. Ở Việt Nam, kỹ thuật này đang được nghiên cứu và dần
đưa vào ứng dụng. Khai phá dữ liệu là một bước trong quy trình phát hiện tri thức.
Hiện nay, mọi người không ngừng tìm tòi các kỹ thuật để thực hiện khai phá dữ liệu
một cách nhanh nhất và có được kết quả tốt nhất.
Trong bài tập lớn này, chúng em tìm hiểu và sử dụng hai kỹ thuật đó là: phân cụm k-
means và thuật toán logistic với đề tài “Khai phá dữ liệu hồ sơ mắc bệnh đột quỵ”.
Đột quỵ (nhồi máu cơ tim) một vùng cơ tim gây ra bởi sự tắc nghẽn hoàn toàn của
mạch vành - nguồn cung cấp máu cho tim. Nguyên nhân là do động mạch vành bị xơ
vữa hoặc cục máu đông làm chít hẹp dòng chảy. Khi bị ngưng tưới máu, đồng nghĩa
với các tế bào cơ tim sẽ dần chết đi do bị ‘bỏ đói” oxy, dẫn tới sự tổn thương vĩnh
viễn không thể hồi phục.Chỉ trong một thời gian ngắn, cơn nhồi máu cơ tim sẽ gây ra
nhiều biến chứng nguy hiểm đến tính mạng người bệnh.

CHƯƠNG 1. TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU

1.1 Khái niệm

- Khai phá dữ liệu là một quá trình xác định các mẫu tiềm ẩn có tính hợp lệ, mới lạ, có
ích và có thể hiểu được trong một khối dữ liệu rất lớn. Tuy nhiên, chúng được tiếp cận
theo các hướng chính như sau:
- Phân lớp và dự đoán (Học có giám sát ): Phân lớp dữ liệu là việc xây dựng một
mô hình mà có thể phân các đối tượng thành những lớp để dự đoán giá trị bị mất tại
một số thuộc tính của dữ liệu hay tiên đoán giá trị của dữ liệu sẽ xuất hiện trong tương
lai.
- Phân cụm: Phân cụm dữ liệu là kỹ thuật khai phá dữ liệu tương tự như phân lớp dữ
liệu. Tuy nhiên, phân cụm dữ liệu là quá trình học không giám sát, là quá trình nhóm
những đối tượng vào các lớp tương ứng để sao cho các đối tượng trong một nhóm là
tương đương nhau, chúng khác so với các đối tượng của nhóm khác.
- Luật kết hợp: Là quá trình khám phá các tập giá trị thuộc tính xuất hiện phổ biến
trong các đối tượng dữ liệu. Từ tập phổ biến có thể tạo ra các luật kết hợp giữa các giá
trị thuộc tính trong tập các đối tượng.
- Khai phá chuỗi theo thời gian: Phân tích chuỗi được sử dụng để tìm mẫu trong tập
rời rạc. Chuỗi được tạo thành từ tập các giá trị rời rạc. Phân tích chuỗi theo thời gian
và khai phá luật kết hợp là tương tự nhau nhưng có thêm tính thứ tự và thời gian.
- Phân tích ngoại lệ: Phân tích ngoại lệ cũng là một dạng của phân cụm, nó tập trung
vào các trường hợp rất khác biệt so với các trường hợp khác. Đôi khi nó thể hiện
những lỗi trong dữ liệu hoặc thể hiện phần thú vị nhất trong dữ liệu đó.
- Hồi quy: Phương pháp hồi quy được sử dụng để đưa ra các dự báo dựa trên các dữ
liệu đang tồn tại bằng cách áp dụng các công thức. Một hàm sẽ được học ra từ bộ dữ
liệu hiện có bằng cách sử dụng các kỹ thuật hồi quy và tuyến tính từ việc thống kê.
Sau đó, dữ liệu mới sẽ căn cứ vào hàm này để đưa ra những dự đoán.
- Khai phá tri thức từ CSDL (Knowledge Discovery in DataBase) gồm 5 bước:

● Bước 1: Lựa chọn CSDL

● Bước 2: Tiền xử lý

● Bước 3: Chuyển đổi

● Bước 4: Khai phá dữ liệu

● Bước 5: Diễn giải và đánh giá.

� Khai phá dữ liệu là 1 bước trong quá trình khai phá tri thức từ CSDL

Hình 1-1: Quy trình khai phá tri thức

1.2. Ứng dụng
- Phát hiện tri thức và khai phá dữ liệu liên quan đến nhiều ngành, nhiều lĩnh vực:
Thống kê, trí tuệ nhân tạo, CSDL, thuật toán, tính toán song song và tốc độ cao, thu
thập tri thức cho các hệ chuyên gia, quan sát dữ liệu,…Đặc biệt phát hiện tri thức và
khai phá dữ liệu gần gũi với lĩnh vực thống kê, sử dụng các phương pháp thống kê để
mô hình dữ liệu và phát hiện các mẫu, luật… Ngân hàng dữ liệu (Data Warehousing)
và các công cụ phân tích trực tuyến cũng liên quan rất chặt chẽ với phát hiện tri thức
và khai phá dữ liệu.

- Khai phá dữ liệu có nhiều ứng dụng trong thực tế, ví dụ như:

Bảo hiểm, tài chính và thị trường chứng khoán phân tích tình hình tài chính và dự báo
giá của các loại cổ phiếu trong thị trường chứng khoán. Danh mục vốn và giá, lãi suất,
dữ liệu thẻ tín dụng, phát hiện gian lận, ...

Thống kê, phân tích dữ liệu và hỗ trợ ra quyết định.

Điều trị y học và chăm sóc y tế: một số thông tin về chuẩn đoán bệnh lưu trong các hệ
thống quản lý bệnh viện Phân tích mối liên hệ giữa các triệu chứng bệnh, chẩn đoán
và phương pháp điều trị (chế độ dinh dưỡng, thuốc,...)

Sản xuất và chế biến: Quy trình, phương pháp chế biến và xử lý sự cố.

Text mining và Web mining: Phân lớp văn bản và các trang Web, tóm tắt văn bản,...

Lĩnh vực khoa học: Quan sát thiên văn dữ liệu gene, dữ liệu sinh vật học, tìm kiếm, so
sánh các hệ gen và thông tin di truyền, mối liên hệ gen và một số bệnh di truyền,...

Mạng viễn thông: Phân tích các cuộc gọi điện thoại và hệ thống giám sát lỗi, sự cố,
chất lượng dịch vụ,...

1.3.  Phần mềm khai phá

- Ngôn ngữ: Python

- Trình biên tập IDLE python 3.9

- Phần mềm: Visual studio Code.

- Weka ( Waikato Environment for knowledge analysis) là một tập hợp các giải thuật
học máy và các công cụ xử lý dữ liệu.

1.4 Mô tả dữ liệu

Thông tin tập dữ liệu:

- Dữ liệu thu được từ 1 bệnh viện về bệnh đột quỵ

- Mục tiêu của việc khai phá dữ liệu là để có thể dễ dàng xác định các bệnh lý khác
liên quan và có thể chẩn đoán nguy cơ đột quỵ

Thông tin thuộc tính:

+ Giới tính :

Male(Nam)

Female(Nữ)

+ Độ tuổi 

+ Cao huyết áp

Yes

No

+ Bệnh tim
Yes
No
+ Lượng đường trong máu
+ BMI (Chỉ số khối cơ thể)
+ Hút thuốc
never smoked (Chưa bao giờ hút thuốc)
smoked (Đã hút thuốc)

CHƯƠNG 2 : TIỀN XỬ LÝ DỮ LIỆU

Dữ liệu thô ban đầu:250 mẫu dữ liệu(không có mẫu trống và trùng nhau)
2.1 Nạp dữ liệu vào weka
Đầu tiên, ta dùng Weka để nạp dữ liệu Dulieudotquy.csv vào chương trình như hình
dưới. Ở tab Preprocessing, ta click vào nút Open files. Sau đó, tìm đến nơi lưu file
Dulieudotquy.csv và click Open (lưu ý: Files of Type ta chọn CSV data file (*.csv)).
2.2 Chuyển đổi dữ liệu
Trong tập dữ liệu trên, ta quan sát thấy có 250 mẫu dữ liệu, 11 thuộc tính, và 0% dữ
liệu bị thiếu giá trị. Tuy nhiên 1 số kiểu dữ liệu đang ở dạng Nominal, nên chúng ta
cần chuyển đổi về dạng Numeric để có thể thực hiện phân cụm k-means và hồi quy
logistic trên python.
-Ta chọn thuộc tính có dạng nominal sau đó dùng bộ lọc Add Values: là bộ lọc để
thêm các giá trị vào bảng.
-Sau đó ta chọn edit và bắt đầu tiến hành replace toàn bộ các thuộc tính sang dạng
numeric mà ta muốn

Làm tương tự với các thuộc tính còn lại với giá trị thay thế :
Sau khi tiến hành tiền xử lý xong ta ‘Save’ lại được bộ dữ liệu cuối cùng tất cả đều ở
dạng numeric:
CHƯƠNG 3: KHAI PHÁ DỮ LIỆU

3.1 Phân cụm dữ liệu các hồ sơ bệnh nhân bằng thuật toán k-means

K-means là một thuật toán phân cụm đơn giản thuộc loại học không giám sát(tức là dữ
liệu không có nhãn) và được sử dụng để giải quyết bài toán phân cụm. Ý tưởng của
thuật toán phân cụm k-means là phân chia 1 bộ dữ liệu thành các cụm khác nhau.
Trong đó số lượng cụm được cho trước là k. Công việc phân cụm được xác lập dựa
trên nguyên lý: Các điểm dữ liệu trong cùng 1 cụm thì phải có cùng 1 số tính chất nhất
định. Tức là giữa các điểm trong cùng 1 cụm phải có sự liên quan lẫn nhau. Đối với
máy tính thì các điểm trong 1 cụm đó sẽ là các điểm dữ liệu gần nhau.

Thuật toán phân cụm k-means thường được sử dụng trong các ứng dụng cỗ máy tìm
kiếm, phân cụm bệnh nhân, thống kê dữ liệu,…

Dùng thuật toán phân cụm hỗ trợ phân cụm bệnh nhân là một quá trình phân loại
những bệnh nhân gần tương tự vào cùng một nhóm. Thuật toán phân cụm giúp hiểu rõ
hơn về bệnh nhân. Bệnh nhân với các đặc điểm có thể chuẩn đoán liên quan đến 1 số
bệnh khác nhau,giúp bác sĩ có thể dễ dàng đánh giá tình hình bệnh lý

Thuật toán K-Means lặp đi lặp lại quá trình phân các ví dụ vào cụm có tâm gần nhất,
sau đó là điều chỉnh tâm cụm, cho tới khi điều kiện hội tụ được thỏa mãn. Cụ thể hơn,
thuật toán được biểu diễn qua các bước sau:

● Bước 1: Khởi tạo ngẫu nhiên tâm cụm: chọn ngẫu nhiên k ví dụ trong tập data
làm k cụm khởi đầu
● Bước 2: Gán từng ví dụ vào cụm có tâm gần nó nhất. Việc tính khoảng cách từ
một điểm tới một tâm cụm có thể tính dựa theo khoảng cách hình học Euclid
● Bước 3: Điều chỉnh tâm cụm: tọa độ của tâm cụm mới bằng tọa độ trung bình
của tất cả các ví dụ trong cụm đó

● Bước 4: Kiểm tra điều kiện dừng: nếu thuật toán chưa hội tụ, quay lại bước 2
3.2 Đầu vào , đầu ra
Input:

● Các phần tử trong dataset

● k: số cụm. k <= số mẫu

Output:

● Danh sách k cụm và các điểm của mỗi cụm.

3.3 Xây dựng chương trình

Sau khi tiền xử lý dữ liệu về dạng numeric,chúng ta tiến hành import những thư viện
cần thiết vào chương trình

Dùng thư viện pandas để đọc file csv rồi truyền giá trị vào biến data.  Dựa trên những
thuộc tính mà chúng ta đề xuất sử dụng, các điểm dữ liệu có các thuộc tính “Gioi
tinh”, “Tuoi”, “Cao huyet ap”, “Benh tim”, “Luong duong trong mau” , ”bmi” và tiến
hành xóa những thuộc tính còn lại bằng câu lệnh drop
Khởi tạo mô hình huấn luyện và dùng hàm predict để dự đoán các mẫu thuộc các cụm
gần nhất sau đó tiến hành ghi các nhãn dự đoán ra 1 file mới ‘cluster.csv’

Chương trình hiển thị ra các nhãn dự đoán và các tâm cụm.

Sau đó chương trình in ra  tên cụm của từng bản ghi vào một file csv tên “cluster.csv”.
Sau đó chúng ta ghép tên cụm thu được vào file dữ liệu ban đầu. Lúc này ta có thể cho
các bản ghi cùng một cụm ở cùng nhau và có thể tách riêng các bản ghi cùng 1 cụm
thành các file riêng.
3.4 Phân cụm k-means với weka

Bước 1: Ta mở file dữ liệu Dulieudotquy.csv trên weka

Bước 2 : Sau khi mở file sẽ được giao diện như bên dưới ta tiến hành remove những
thuộc tính không phân cụm
Bước 3 : Chọn cluster sau đó chọn thuật toán simpleKmeans
Bước 4 : Ta tiến hành điền những thông số cần thiết(ở đây tôi thiết lập số cụm k=3)
Bước 5: Ta nhấn start và chương trình sẽ hiển thị kết quả như bên dưới
Có 170 mẫu thuộc cụm 0
44 mẫu thuộc cụm 1
86 mẫu thuộc cụm 2
Số lượng cũng khá tương đồng khi tôi vận hành trên python với với 3 tâm cụm là
Cụm 0: 1,16,0,0,84.4,25.9
Cụm 1: 0,56,1,0,249.31,35.8
Cụm 2: 1,6,0,0,84.1,19.8

Ưu, nhược điểm của thuật toán k – means

a) Ưu điểm:
- Tương đối nhanh. Độ phức tạp của thuật toán là O (tkn), trong đó:

+ n: Số điểm trong không gian dữ liệu

+ k: Số cụm cần phân hoạch

+ t: Số lần lặp (t là khá nhỏ so với r)

- K-means phù hợp với các cụm có dạng hình cầu.

b) Nhược điểm:

+ Không đảm bảo đạt được tối ưu toàn cục và kết quả đầu ra phụ thuộc nhiều vào việc
chọn k điểm khởi đầu. Do đó có thể phải chạy lại thuật toán với nhiều bộ khởi đầu
khác nhau để có được kết quả đủ tốt. Trong thực tế, có thể áp dụng thuật giải di truyền
để phát sinh các bộ khởi đầu.

+ Cần phải xác định trước số cụm.

+ Khó xác định số cụm thực sự mà không gian dữ liệu có. Do đó có thể phải thử với
các giá trị k khác nhau.

+ Khó phát hiện các loại cụm có hình dạng phức tạp và nhất là các dạng cụm không
lồi.

+ Không thể xử lý nhiễu và mẫu cá biệt.

+ Chỉ có thể áp dụng khi tính được trọng tâm.

3.5 Dự đoán nguy cơ bị đột quỵ vs hồi quy logictic

1. Trình bày bài toán

Bài toán sử dụng  giải thuật hồi quy logistic của học máy để ứng dụng dự đoán nguy
cơ đột quỵ của một người dựa trên các thông tin có liên quan trực tiếp đến nguy cơ bị
đột quỵ sau  như:
● Gioi tinh
● Tuoi
● Cao huyet ap
● Benh tim
● Ket hon
● Noi cu tru
● Luong duong trong mau
● Chi so khoi co the bmi
 ● Hut Thuoc

● Input : Thu thập trên mẫu báo cáo thông tin lấy ngẫu nhiên 300 người
● Output : Nguy cơ đột quỵ là có thể hoặc không thể và xác suất bao nhiêu
phần trăm

2 .Mô tả phương pháp

Định nghĩa : Hồi quy logistic là 1 phương pháp học máy có giám sát , nó
thường được sử dụng nhiều hơn cho các bài toán classification nhằm dự đoán
giá trị đầu ra rời rạc y ứng với một véc-tơ đầu vào x. Việc này tương đương với
chuyện phân loại các đầu vào x vào các nhóm y tương ứng.

● Đầu ra dự đoán của logistic regression thường được viết chung dưới
dạng:

● Trong đó θ được gọi là logistic function. Một số activation cho mô hình

tuyến tính được cho trong hình dưới đây:

Sigmoid function
● Trong số các hàm số có 3 tính chất nói trên thì hàm sigmoid:

được sử dụng nhiều nhất, vì nó bị chặn trong khoảng (0,1).  Thêm nữa:

● Đặc biệt hơn nữa:

 Công thức đạo hàm đơn giản thế này giúp hàm số này được sử dụng rộng
rãi. 

Ngoài ra, hàm tanh cũng hay được sử dụng:

Hàm số này nhận giá trị trong khoảng (−1,1)(−1,1) nhưng có thể dễ dàng

đưa nó về khoảng (0,1)(0,1). Bạn đọc có thể chứng minh được:

3.Hàm mất mát

Với mô hình như trên( các activation màu xanh lam và lục), ta có thể giả sử rằng sác
xuất để 1 điểm fuwx liệu XX rơi vào class 1 là F(wTx)F(wtx) và rơi vào Class 0 là 1-
F(wTx)1-F(wTx).Với mô hình như vậy, với các điểm dữ liệu training ( đã biết đầu ra
YY) ta có thể viết như sau

trong đó P(yi=1|xi;w)P(yi=1|xi;w) được hiểu là xác suất xảy ra sự kiện đầu

ra yi=1yi=1 khi biết tham số mô hình ww và dữ liệu đầu vào xixi. Bạn đọc có thể đọc
thêm Xác suất có điều kiện. Mục đích của chúng ta là tìm các hệ số ww sao
cho f(wTxi)f(wTxi) càng gần với 1 càng tốt với các điểm dữ liệu thuộc class 1 và càng
gần với 0 càng tốt với những điểm thuộc class 0.
Ký hiệu zi=f(wTxi)zi=f(wTxi) và viết gộp lại hai biểu thức bên trên ta có:

Biểu thức này là tương đương với hai biểu thức (1)(1) và (2)(2) ở trên vì khi yi=1yi=1,
phần thứ hai của vế phải sẽ triệt tiêu, khi yi=0yi=0, phần thứ nhất sẽ bị triệt tiêu!
Chúng ta muốn mô hình gần với dữ liệu đã cho nhất, tức xác suất này đạt giá trị cao
nhất.
Xét toàn bộ training set với X=[x1,x2,…,xN]∈Rd×NX=[x1,x2,
…,xN]∈Rd×N và y=[y1,y2,…,yN]y=[y1,y2,…,yN], chúng ta cần tìm ww để biểu
thức sau đây đạt giá trị lớn nhất:

ở đây, ta cũng ký hiệu X,yX,y như các biến ngẫu nhiên (random variables). Nói cách

khác:

Bài toán tìm tham số để mô hình gần với dữ liệu nhất trên đây có tên gọi chung là bài
toán maximum likelihood estimation với hàm số phía sau argmax được gọi
là likelihood function.

Giả sử thêm rằng các điểm dữ liệu được sinh ra một cách ngẫu nhiên độc lập với nhau
(independent), ta có thể viết:

với ∏ là ký hiệu của tích. Trực tiếp tối ưu hàm số này theo ww nhìn qua không đơn
giản! Hơn nữa, khi NN lớn, tích của NN số nhỏ hơn 1 có thể dẫn tới sai số trong tính
toán (numerial error) vì tích là một số quá nhỏ. Một phương pháp thường được sử
dụng đó là lấy logarit tự nhiên (cơ số ee) của likelihood function biến phép nhân thành
phép cộng và để tránh việc số quá nhỏ. Sau đó lấy ngược dấu để được một hàm và coi
nó là hàm mất mát. Lúc này bài toán tìm giá trị lớn nhất (maximum likelihood) trở
thành bài toán tìm giá trị nhỏ nhất của hàm mất mát (hàm này còn được gọi là
negative log likelihood):

với chú ý rằng zizi là một hàm số của ww. Bạn đọc tạm nhớ biểu thức vế phải có tên
gọi là cross entropy, thường được sử dụng để đo khoảng cách giữa hai phân phối
(distributions). Trong bài toán đang xét, một phân phối là dữ liệu được cho, với xác
suất chỉ là 0 hoặc 1; phân phối còn lại được tính theo mô hình logistic
regression. Khoảng cách giữa hai phân phối nhỏ đồng nghĩa với việc (có vẻ hiển
nhiên là) hai phân phối đó rất gần nhau. Tính chất cụ thể của hàm số này sẽ được đề
cập trong một bài khác mà tầm quan trọng của khoảng cách giữa hai phân phối là lớn
hơn.
Chú ý: Trong machine learning, logarit thập phân ít được dùng, vì vậy loglog thường
được dùng để ký hiệu logarit tự nhiên.
+ Tối ưu hàm

Với đạo hàm:

Để cho biểu thức này trở nên gọn và đẹp hơn, chúng ta sẽ tìm

hàm z=f(wTx)z=f(wTx) sao cho mẫu số bị triệt tiêu. Nếu đặt s=wTxs=wTx, chúng ta
sẽ có:

Một cách trực quan nhất, ta sẽ tìm hàm số z=f(s)z=f(s) sao cho:

để triệt tiêu mẫu số trong biểu thức (3)(3). Chúng ta cùng khởi động một chút với
phương trình vi phân đơn giản này. Phương trình (4)(4) tương đương với:

Công thức cập nhật cho logistic sigmoid regression

Tới đây, bạn đọc có thể kiểm tra rằng:

Và công thức cập nhật (theo thuật toán SGD) cho logistic regression là:

THỰC NGHIỆM
- Tập ví dụ huấn luyện 
- Tập test
1. Áp dụng thuật toán
Với đầu vào của bài toán là các trường dữ liệu trả lời các câu hỏi bao gồm:
● Lượng đường trong cơ thể vượt quá mức cho phép
● Chỉ số khối BMI của cơ thể
● Có thường xuyên hút thuốc lá hay không
● Có bị cao huyết áp hay không
● Tuổi tác
● Nơi sinh sống
● Công việc
● Giới tính
Các tập dữ liệu cùng nhãn sau khi thu thập sẽ được training để đưa ra hàm w tối ưu
bằng phương pháp nhằm tăng độ chính xác cho thuật toán
Output của bài toán đưa ra sẽ có dạng mặc định theo thuật toán sẽ là
 ● Là có nguy cơ bị đột  nếu y trả về 1
● Không có nguy cơ đột quỵ nếu y trả về 0
● Xác suất bị
2. Mô tả chương trình

Import các thư viện vào chương trình

● Tkinter để tạo GUIs cho chương trình
● Numpy để thao tác với ma trận
● Matplotlib để vẽ hình minh họa
● Pandas để thao tác với dữ liệu
● Sklearn để training data
Khai báo các biến và giao diện để người dùng nhập thông tin
Đọc và truyền tập dữ liệu huấn luyện và tập test vào biến
Huấn luyện cho tập dữ liệu và lấy các giá trị người dùng đã nhập sau đó dùng hàm
predict để dự đoán và in ra kết quả
3.Kết quả chạy thuật toán
1.Giao diện ban đầu
2.Không có nguy cơ bị đột quỵ
3.Có nguy cơ bị đột quỵ
Ưu và nhược điểm của thuật toán logistic

- Ưu điểm : Điểm cộng cho Logistic Regression so với PLA là nó không cần có giả
thiết dữ liệu hai class là linearly separable. Tuy nhiên, boundary tìm được vẫn có dạng
tuyến tính. Vậy nên mô hình này chỉ phù hợp với loại dữ liệu mà hai class là gần với
linearly separable. Một kiểu dữ liệu mà Logistic Regression không làm việc được là
dữ liệu mà một class chứa các điểm nằm trong 1 vòng tròn, class kia chứa các điểm
bên ngoài đường tròn đó. Kiểu dữ liệu này được gọi là phi tuyến (non-linear). 

- Nhược điểm : Nếu tập dữ liệu có thứ nguyên cao, thì thuật toán Hồi quy logistic có
nhiều khả năng phù hợp hơn với tập huấn luyện. Như đã nói, mô hình được phát triển
có thể không dự đoán kết quả chính xác trong tập thử nghiệm. Vấn đề nảy sinh với hồi
quy logistic khi một cá nhân đang giải các bài toán phi tuyến tính. Vì thuật toán này
phụ thuộc nhiều vào việc trình bày dữ liệu, các biến độc lập cần thiết phải được xác
định trước khi thực hiện thuật toán. Cuối cùng, một số lượng thích hợp của tập dữ liệu
và các ví dụ đào tạo thích hợp về các danh mục sẽ được công nhận trong Logistic
Regression.

CHƯƠNG 4. KẾT LUẬN

4.1.Kết Luận
Trong bài tập lớn này, chúng em tìm hiểu và trình bày về hai kỹ thuật trong khai phá
dữ liệu để phân cụm và sử dụng thuật toán hồi quy logistic với đề tài “Khai phá tập dữ
liệu hồ sơ mắc bệnh đột quỵ”.  
Trong quá trình làm bài tập lớn này, chúng em xin gửi lời cảm ơn đến Thầy Trần
Mạnh Tuấn. Thầy đã rất tận tình hướng dẫn chi tiết cho chúng em, những kiến thức
cung cấp rất hữu ích .Chúng em rất mong nhận được những góp ý từ thầy.