Professional Documents
Culture Documents
MỤC LỤC
Chương 1: PHÂN CỤM DỮ LIỆU
1.2 Mô hình
Lời mở đầu
Ngày nay, cùng với sự phát triển mạnh mẽ của công nghệ phần cứng và truyền
thông, các hệ thống dữ liệu phục vụ cho các lĩnh vực kinh tế - xã hội cũng không ngừng
tăng lên, lượng dữ liệu được tạo ra ngày càng lớn. Sự phong phú về dữ liệu, thông tin
cùng với khả năng kịp thời khai thác chúng đã mang đến những năng suất và chất
lượng mới cho công tác quản lý, hoạt động kinh doanh,…Nhưng rồi các yêu cầu về
thông tin trong các lĩnh vực hoạt động đó, đặc biệt trong lĩnh vực ra làm quyết định,
ngày càng đòi hỏi cao hơn, người quyết định không những cần dữ liệu mà còn cần có
thêm nhiều hiểu biết, nhiều tri thức để hỗ trợ cho việc ra quyết định của mình. Cho đến
những năm 90 của thế kỷ trước, nhu cầu khám phá tri thức mới thực sự bùng nổ, theo
đó, hàng loạt các lĩnh vực nghiên cứu về tổ chức các kho dữ liệu và kho thông tin, các
hệ trợ giúp quyết định, các thuật toán nhận dạng mẫu và phân lớp mẫu, …và đặc biệt là
khai phá dữ liệu (Data Mining) ra đời.
Từ khi ra đời, khai phá dữ liệu đã trở thành một trong những hướng nghiên cứu
phổ biến trong lĩnh vực khoa học máy tính và công nghệ tri thức. Nhiều kết quả nghiên
cứu, ứng dụng của khai phá dữ liệu trong các lĩnh vực khoa học, kinh tế, xã hội. Khai
phá dữ liệu bao hàm nhiều hướng nghiên cứu quan trọng, một trong số đó là phân cụm
dữ liệu (Data Clustering). Phân cụm dữ liệu là quá trình tìm kiếm và phát hiện ra các
cụm hoặc các mẫu dữ liệu tự nhiên trong cơ sở dữ liệu lớn. Các kỹ thuật chính được áp
dụng trong phân cụm dữ liệu phần lớn được kế thừa từ lĩnh vực thống liệu cho việc giải
quyết các vấn đề trong các lĩnh vực như tài chính, thông tin địa lý, sinh học, nhận dạng
ảnh,… Trong thời gian gần đây, trong lĩnh vực phân cụm dữ liệu, người ta tập trung
chủ yếu vào nghiên cứu, phân tích các mô hình dữ liệu phức tạp như dữ liệu văn bản,
Web, hình ảnh,…và đặc biệt là mô hình dữ liệu hỗn hợp để áp dụng chúng trong phân
cụm dữ liệu.
Những năm 60 của thế kỉ trước, người ta bắt đầu sử dụng các công cụ tin học để
tổ chức và khai thác các cơ sở dữ liệu. Cùng với sự phát triển vượt bậc của các công
nghệ điện tử và truyền thông, khả năng thu thập, lưu trữ và xử lí dữ liệu cho các hệ
thống tin học không ngừng được nâng cao, theo đó lượng thông tin được lưu trữ trên
các thiết bị nhớ không ngừng được tăng lên. Thống kê sơ bộ cho thấy, lượng thông tin
trên các hệ thống tin học cứ sau 20 tháng lại tăng lên gấp đôi. Cuối thập kỉ 80 của thế kỉ
XX, sự phát triển rộng khắp của các cơ sở dữ liệu ở mọi quy mô đã tạo sự bùng nổ
thông tin trên toàn cầu. Vào thời gian này, người ta bắt đầu đề cập đến khái niệm phân
tích dữ liệu tác nghiệp để cung cấp thông tin với yêu cầu chất lượng ngày càng cao cho
người làm quyết định trong các tổ chức tài chính, thương mại, khoa học,…
Đúng như John Naisbett đã cảnh báo “Chúng ta chìm ngập trong dữ liệu mà vẫn
đói tri thức”. Lượng dữ liệu khổng lồ này thực sự là nguồn tài nguyên có nhiều giá trị
bởi thông tin là yếu tố then chốt trong mọi hoạt đọng quản lý, kinh doanh, phát triển
sản xuất và dịch vụ,…nó giúp những người điều hành và quản ly có nhiều hiểu biết về
môi trường và tiến trình hoạt động của tổ chức mình trước khi ra quyết định để tác
động đến quá trình hoạt động nhằm đạt được cá mục tiêu một cách hiệu quả và bền
vững.
Khai phá dữ liệu (Data mining), là một lĩnh vực mới xuất hiện, nhằm tự động
khai thác những thông tin, những tri thức có tính tiềm ẩn, hữu ích từ những cơ sơ dữ
liệu lớn cho các đơn vị, tổ chức, doanh nghiệp,…từ đó làm thức đẩy khả năng sản xuất,
kinh doanh, cạnh tranh cho các đơn vị, tổ chức này. Các kết quả khoa học cùng những
ứng dụng thành công trong khám phá tri thức, cho thấy khai phá dữ liệu là một lĩnh vực
phát triển bền vững, mang lại nhiều lợi ích và có nhiều triển vọng, động thời có ưu thế
hơn hẳn so với các công cụ phân tích dữ liệu truyền thống. Hiện nay, khai phá dữ liệu
đã ứng dụng ngày càng rộng rãi trong các lĩnh vực như: thương mại, tài chính, điều trị y
học, viễn thông, tin- sinh,…
Khai phá dữ liệu là một hướng nghiên cứu mới ra đời hơn một thập niên trở lại
đây, các kĩ thuật chính được áp dụng trong lĩnh vực này phần lớn được thừa kế từ lĩnh
vực cơ sơ dữ liệu, máy học, trí tuệ nhân tạo, lý thuyết thông tin, xác suất thống kê, và
tính toán hiệu năng cao. Do sự phát triển nhanh của khai phá dữ liệu về phạm vi ứng
dụng và các phương pháp tìm kiếm tri thức, nên đã có nhiều quan điểm khác nhau về
khai phá dữ liệu. Tuy nhiên ở mức độ trừu tượng nhất định chúng ta định nghĩa khai
phá dữ liệu như sau:
Định nghĩa: Khai phá dữ liệu là một quá trình tìm kiếm, phát hiện các tri thức
mới, tiềm ẩn, hữu dụng trong cơ sơ dữ liệu lớn.
Khai phá tri thức trong cơ sơ dữ liệu (Knowledge Discovery in Database - KDD)
là mục tiêu chính của khai phá dữ liệu, do vậy hai khái niệm khai phá dữ liệu và KDD
được các nhà khoa học trên hai lĩnh vực xem là tương đương nhau. Thế nhưng nếu
phân chia một cách chi tiết thì khai phá dữ liệu là một bước chính trong quá trình KDD.
Các giai đoạn trong KDD được thể hiện trực quan trong hình 1.1 dưới đây:
Hình 1-1. Các bước thực hiện trong quá trình khai phá tri thức
Khai phá tri thức trong cơ sơ dữ liệu là một lĩnh vực liên ngành, bao gồm: tổ
chức dữ liệu, học máy, trí tuệ nhân tạo và các khoa học khác.
Nếu theo quan điểm của học máy (Machine Learning), thì các kĩ thuật trong khai
phá dữ liệu bao gồm:
• Học có giám sát (Surpervised learning): là một quá trình gán nhãn cho các
phần tử trong cơ sơ dữ liệu dựa trên một tập các ví dụ huấn luyện và các thông tin có
nhãn lớp đã biết.
• Học không có giám sát (Unsupervised learning): là quá trình phân chia một
tập dữ liệu thành các lớp hay các cụm (clustering) dữ liệu tương tự nhau mà chưa được
biết trước các thông tin về lớp hay tập các ví dụ huấn luyện.
• Học nửa giám sát (semi-Surpervised learning): là quá trình phân chia một
tập dữ liệu thành các lớp dựa trên một tập nhỏ các mẫu ví dụ huấn luyện và một số các
thông tin về một số nhãn đã biết trước.
Nếu căn cứ vào lớp các bài toán cần giải quyết, thì khai phá dữ liệu bao gồm các
kĩ thuật áp dụng sau:
• Phân lớp và dự đoán (classification and prediction): xếp một đối tượng vào
một trong những lớp đã biết trước. Ví dụ, phân lớp các dữ liệu bệnh nhân trong hồ sơ
bệnh án. Hướng tiếp cận này sử dụng một số kĩ thuật của học máy như cây quyết đinh
(decision tree), mạng nơ-ron nhân tạo,… Phân lớp và dự báo còn được gọi là học có
giám sát.
• Luật kết hợp (asssociation rules): là dạng luật biểu diễn tri thức ở dạng khá
đơn giản. Ví dụ, “60% nữ giới vào siêu thị mua phấn thì có 80% trong số họ sẽ mua
thêm son”. Luật kết hợp được ứng dụng nhiều trong kinh doanh, y học, tin sinh, tài
chính và thị trường chứng khoán,…
• Phân tích chuỗi theo thời gian (sequential temporal patterns): tương tự như
khai phá luật kết hợp nhưng có thêm tính tương tự và tính thời gian. Hướng tiếp cận
này được ứng dụng nhiều trong lĩnh vực tài chính và thị trường chứng khoán vì nó có
tính dự báo cao.
• Phân cụm (Clustering/ segmentation): xếp các đối tượng theo từng cụm dữ
liệu tự nhiên. Phân cụm còn được gọi là học không có giám sát.
• Mô tả khái niệm (concept desription and summarization): thiên về mô tả tổng
hợp và tóm tắt khái niệm. Ví dụ, tóm tắt văn bản.
cho phép người ta đi xâu vào phân tích và nghiên cứu cho từng cụm dữ liệu này nhằm
khai phá và tìm kiếm các thông tin tiềm ẩn, hữu ích phục vụ cho ra quyết định.
Trong thời đại bùng nổ của công nghệ thông tin hiện nay, mạng máy tính đóng
vai trò ngày càng quan trọng hơn trong hoạt động của tổ chức, doanh nghiệp cũng như
các cơ quan nhà nước. Thậm chí ở một số đơn vị chẳng hạn như công ty hàng không
hoặc các ngân hàng lớn, mạng máy tính có thể ví như hệ thần kinh điều khiển các hoạt
động của toàn doanh nghiệp. Sự ngừng hoạt động của mạng máy tính trong những cơ
quan này cps thể làm tê liệt các hoạt động chính của đơn vị, và thiệt hại khó có thể
lường trước được.
Chúng ta đều biết máy chủ là trái tim của mạng máy tính, nếu máy chủ mạng
hỏng, các hoạt động của hệ thống sẽ bị ngưng trệ. Điều đáng tiếc là dù các hãng sản
xuất đã cố gắng làm mọi cách để nâng cao chất lượng của các thiết bị, nhưng những
hỏng hóc đối với các thiết bị mạng nói chung là các maý chủ nói riêng là điều không
thể tránh khỏi. Do vậy vấn đề đặt ra là cần có một giải pháp đảm bảo cho hệ thống vẫn
hoạt động tốt ngay cả khi có sự cố xảy ra đối với máy chủ mạng, và công nghệ
clustering (bó) là câu trả lời cho vấn đề này.
Một vài ví dụ về ý nghĩa thực tiễn của phân cụm như sau:
- Khám phá ra các vị trí địa lý thuận lợi cho việc xây dựng các kho hàng phục vụ
mua hàng của một công ty thương mại.
- Xác định các cụm ảnh như ảnh của các loại động vật như chim, thú,…trong tập
cơ sơ dữ liệu ảnh về động vật nhằm phục vụ cho việc tìm kiếm ảnh.
- Xác định các nhóm người bệnh nhằm cung cấp thông tin cho việc phân phối
các thuốc điều trị trong y tế
- Xác định các nhóm khách hàng trong cơ sơ dữ liệu ngân hàng có vốn các đầu
tư vào bất động sản cao…
Như vậy phân cụm dữ liệu là một phương pháp xử lí thông tin quan trọng và
phổ biến, nó nhằm khám phá mối liên hệ giữa các mẫu dữ liệu bằng cách tổ chức chúng
thành các cụm tương tự. Thuật ngữ phân cụm được hiểu là phân cụm dữ liệu.
Clustering là một kiến trúc nhằm đảm bảo nâng cao khả năng sẵn sàng cho các
hệ thống mạng máy tình. Clustering cho phép sử dụng nhiều máy chủ kết hợp với nhau
tạo thành một cụm (cluster) có khả năng chịu đựng hay chấp nhận sai sót (fault-
tolerant) nhằm nâng cao tính sẵn sàng của hệ thống mạng. Cluster là một hệ thống bao
gồm nhiều máy chủ được nối với nhau theo dạng song song hay phân tán và được sử
dụng như một tài nguyên thống nhất. Nếu một máy chủ ngừng hoạt động do bị sự cố
hoặc để nâng cấp, hoặc bảo trì thì toàn bộ công việc mà máy chủ này đảm nhiệm sẽ
được tự động chuyển sang cho máy chủ khác (trong cùng một cụm) mà không làm cho
hoạt động của hệ thống bị ngắt hay gián đoạn. Quá trình này gọi là “fail- over” và việc
phục hồi tài nguyên của một máy chủ trong hệ thống (cluster) được gọi là “fail- back”.
Việc thiết kế và lắp đặt các cluster cần thỏa mãn các yêu cầu sau:
• Yêu cầu tính sẵn sàng cao (availability). Các tài nguyên mạng phải luôn sẵn
sàng trong khả năng cao nhất để cung cấp và phục các người dùng cuối và giảm thiếu
sự ngưng hoạt động hệ thống ngoài ý muốn.
• Yêu cầu về độ tin cậy cao (reliability): độ tin cậy cao của cluster được hiểu
là khả năng giảm thiểu tần số xảy ra các sự cố, và nâng cao khả năng chịu đựng sai sót
của hệ thống.
• Yêu cầu về khả năng mở rộng được (scalability). Hệ thống phải có khả năng
dễ dàng cho việc nâng cấp, mở rộng trong tương lai. Việc nâng cấp mở rộng bao hàm
cả việc thêm các thiết bị, máy tính vào hệ thống để nâng cao chất lượng dịch vụ, cũng
như việc thêm số lượng người dùng, thêm ứng dụng, dịch vụ và thêm các tài nguyên
mạng khác.
Ba yêu cầu trên được gọi tắt là RAS (Reliability- Availability- Scalability),
những hệ thống đáp ứng được ba yêu cầu trên được gọi là hệ thống RAS (cần phân biệt
với Remote Access Service là dịch vụ truy cập từ xa).
Cũng cần chú ý rằng hiệu quả hoạt động của hệ thông Clustering phụ thuộc vào
sự tương thích giữa các ứng dụng và dịch vụ, giữa phần cứng và phần mềm. Ngoài ra kĩ
thuật Clustering không thể chống lại các sự cố do virus, sai sót của phần mềm hay các
sai sót của người sử dụng. Để chống lại các sự cố này cần xây dựng một cơ sơ dữ liệu
được bảo vệ chắc chắn cũng như có các kế hoạch khôi phục, back up dữ liệu.
Data for
process
Sinh Viên thực hiện: Nguyễn Thị Hướng- K54A-CNTT- ĐHSPHN 48
Data
Phân cụm dữ liệu trong Dataming
nhiễu và các phần tử ngoại lai trong dữ liệu. Hình dưới diễn tả mô phỏng về một số
hình dạng cụm dữ liệu khám phá được bởi k-means:
Thí dụ về một số hình dạng dữ liệu được khám phá ra bởi k-means
Hơn nữa, chất lượng phân cụm dữ liệ của thuật toán k-means phụ thuộc nhiều
vào các tham số đầu vào như: số cụm k và k trọng tâm khởi tạo ban đầu. Trong trường
hợp, các trọng tâm khởi tạo ban đầu mà quá lệch so với các trọng tâm cụm tự nhiên thì
kết quả phân cụm k-means là rất thấp, nghĩa là các cụm dữ liệu được khám phá rất lệch
so với các cụm trong thực tế. Trên thực tê người ta chưa có một giải pháp tối ưu nào đẻ
chọn các tham số đầu vào, giải pháp thường được sử dụng nhất là thử nghiệm với các
giá trị đầu vào k khác nhau rồi sau đo chinh giải pháp tốt nhất.
Đến nay, đã có rất nhiều thuật toán kế thừa tư tưởng của thuật toán k-means áp
dụng trong datamining để giải quyết với tập dữ liệu có kích thước tất lớn được áp dụng
hiệu quả và phổ biến như thuật toán k-modes, PAM, CLARA, CLARANS, k-
prototypes,…
10
9
10
8
9
7
8
6
7
5
6
4
5
3 4
2 3
1 2
0 1
0 1 2 3 4 5 6 7 8 9 10 0
0 1 2 3 4 5 6 7 8 9 10
, minOe là giá trị nhỏ nhất của độ phi tương tự giữa Oj và tất cả các đối tượng medoid
của các cụm dữ liệu. Chất lượng của mỗi cụm được khám phá được đánh giá thông qua
độ phi tương tự trung bình giữa một đối tượng và đối tượng medoid tương ứng với
cụm của nó, nghĩa là chất lượng phân cụm được đánh giá thông qua chất lượng của tất
cả các đối tượng medoid. Độ phi tương tự ở đây thông thường được xác định bằng độ
đo khoảng cách, thuật toán PAM ở đây được áp dụng cho dữ liệu không gian.
Để xác định các medoid, PAM bắt đầu bằng cách lựa chọn k đối tượng medoid
bất kỳ. Sau mỗi bước thực hiện, PAM cố gằng hoán chuyển giữa đối tượng medoid Om
và một đối tượng Op không phải là medoid, miễn là sự hoán chuyển này nhằm cải tiến
chất lượng của phân cụm, quá trình này kết thúc khi chất lượng phân cụm không thay
đổi. Chất lượng phân cụm được đánh giá thông qua hàm tiêu chuẩn, chất lượng phân
cụm tốt nhất khi hàm tiêu chuẩn đạt giá trị tối thiểu.
Chúng ta xét ví dụ đơn giản sau : Cho hai đối tượng medoid A và B. Đối với tất cả
các đối tượng Y thuộc cụm với đối tượng medoid đại diện A, chúng ta tìm medoid
của cụm gần nhất để thay thể. Có hai trường hợp có thể xẩy ra, hoặc Y được chuyển tới
cụm dữ liệu có đại diện là B hoặc được chuyển tới cụm dữ liệu có đại diện là M. Tiếp
đến, chúng ta xét lần lượt cho tất cả các đối tượng trong cụm có đại diện là A. Tương
tự như vậy, đối với tất các các đối tượng trong cụm có đối tượng đại diện là B, chúng ta
có thể di chuyển chúng tới cụm có đại diện là M hoặc là chúng ở lại B. Thí dụ này có
thể biểu diễn
Case 2 như hình
M dưới đây : M
A
A
Case 4
Y
Z
Sinh Viên thực
Case 1 hiện: Nguyễn Thị Hướng- K54A-CNTT- ĐHSPHN 48
B Case 3
B
Phân cụm dữ liệu trong Dataming
Thí dụ về khả năng thay thế của các đối tượng trung tâm medoid
Sau đây là một số khái niệm biến được sử dụng cho thuật toán PAM :
Om : Là đối tượng medoid hiện thời cần được thay thế
Op : là đối tượng medoid mới thay thế cho Om;
Oj : Là đối tượng dữ liệu (không phải là medoid) có thể được di chuyển sang
cụm khác.
Oj,2 : Là đối tượng medoid hiện thời gần đối tượng Oj nhất mà không phải
là các đối tượng A và M như trong ví dụ trên.
Bốn trường hợp như mô tả trong thí dụ trên, PAM tính giá trị Cjmp cho tất cả các đối
tượng Oj. Cjmp ở đây nhằm để làm căn cứ cho việc hoán chuyển giữa Om và Op. Các
cách tính. Trong mỗi trường hợp Cjmp được tính với 4 cách khác nhau như sau :
Trường hợp 1: Giả sử Oj hiện thời thuộc về cụm có đại diện là Om và Oj
tương tự với Oj, 2 hơn Op (d(Oj, Op) ≥ d(Oj, Oj,2)). Trong khi đó, Oj,2 là đối tượng
medoid tương tự xếp thứ 2 tới Oj trong số các medoid. Trong trường hợp này,
chúng ta thay thế Om bởi đối tượng medoid mới Op và Oj sẽ thuộc về cụm có đối
tượng đại diện là Oj,2. Vì vậy, giá trị hoán chuyển Cjmp được xác định như sau :
Cjmp = d(Oj, Oj,2) – d(Oj, Om). (1)
Giá trị Cjmp là không âm.
Trường hợp 2 : Oj hiện thời thuộc về cụm có đại diện là Om , nhưng Oj ít
tương tự với Oj,2 so với Op (Nghĩa là, d(Oj, Op)<d(Oj, Oj,2)) . Nếu Om, được thay
thế bởi Op thì Oj sẽ thuộc về cụm có đại diện là Op. Vì vậy, giá trị Cjmp được xác
định như sau : Cjmp= (Oj, Op) - d(Oj, Om) (2). Cjmp ở đây có thể là âm hoặc
dương.
Trường hợp 3 : Giả sử Oj hiện thời không thuộc về cụm có đối tượng đại
diện là Om mà thuộc về cụm có đại diện là Oj,2. Mặt khác, giả sử Oj tương tự với
Oj,2 hơn so với Op, khi đó, nếu Om được thay thế bởi Op thì Oj vẫn sẽ ở lại trong
cụm có đại diện là Oj,2 . Do đó : Cjmp= 0 (3).
Trường hợp 4 : Oj hiện thời thuộc về cụm có đại diện là Oj,2 nhưng Oj ít
tương tự tới Oj,2 hơn so với Op. Vì vậy, nếu chúng ta thay thế Om bởi Op thì Oj sẽ
chuyển từ cụm Oj,2 sang cụm Op. Do đó, giá trị hoán chuyển Cjmp được xác định
là : Cjmp= (Oj, Op) - d(Oj, Oj,2) (4). Cjmp ở đây luôn âm.
Kết hợp cả bốn trường hợp trên, tổng giá trị hoán chuyển Om bằng Op được
Out Put : k cụm dữ liệu sao cho chất lượng phân hoạch là tốt nhất.
BEGIN
Bước 2 : Tính TCmp cho tất cả các cặp đối tượng Om, Op. Trong đó Om là đối tượng medoid và Op
là đối tượng không phải là modoid.
Bước 3 : Chọn cặp đối tượng Om và Op. Tính minOm, minOp, TCmp.
Nếu TCmp là âm, thay thế Om bởi Op và quay lại bước 2. Nếu TCmp dương, chuyển sang bước 4.
Bước 4 : Với mỗi đối tượng không phải là medoid, xác định đối tượng medoid tương tự với nó
nhất đồng thời gán nhãn cụm cho chúng.
END
Các bước thực hiện của thuật toán PAM
Trong bước 2 và 3, có PAM phải duyệt tất cả k(n-k) cặp Om, Op. Với mỗi vặp,
việc tính toán TCmp yêu cầu kiểm tra n-k đối tượng. Vì vậy, độ phức tạp tính toán của
PAM là O(Ik (n-k)2), trong đó I là số vòng lặp. Như vậy, thuật toán PAM kém hiệu quả
về thời gian tính toán khi giá trị của k và n là lớn[10][16].
của k và n là lớn. CLARA tiến hành trích mẫu cho tập dữ liệu có n phần tử, nó áp dụng
thuật toán PAM cho mẫu này và tìm ra các đối tượng trọng tâm medoid cho mẫu trích
từ dữ liệu này. Người ta thấy rằng, nếu mẫu dữ liệu được trích theo cách ngẫu nhiên,
thì các medoid của nó xấp xỉ với các medoid của toàn bộ tập dữ liệu ban đầu Để tiến tới
một xấp xỉ tốt hơn, CLARA đưa ra nhiều cách lấy mẫu và thực hiện phân cụm cho mỗi
trường hợp và tiến hành chọn kết qủa phân cụm tốt nhất khi thực hiện phân cụm trên
các mẫu này. Để cho chính xác, chất lượng của các cụm được đánh giá thông độ phi
tương tự trung bình của toàn bộ các đối tượng dữ liệu trong tập đối tượng ban đầu. Kết
quả thực nghiệm chỉ ra rằng, 5 mẫu dữ liệu có kích thước 40+20k cho các kết quả tốt.
Các bước thực hiện của thuật toán CLARA như sau:
CLARA (5);
BEGIN
1. For i = 1 to 5 do
2. Lấy một mẫu có 40 + 2k đối tượng dữ liệu ngẫu nhiên từ tập dữ liệu và áp dụng thuật toán PAM
cho mẫu dữ liệu này nhằm để tìm các đối tượng medoid đại diện cho các cụm.
3. Đối với mỗi đối tượng Oj trong tập dữ liệu ban đầu, xác định đối tượng medoid tương tự nhất trong
số k đối tượng medoid.
4. Tính độ phi tương tự trung bình cho phân hoạch các đối tượng dành ở bước trước, nếu giá trị này
bé hơn giá trị tối thiểu hiện thời thì sử dụng giá trị này thay cho giá trị tối thiếu ở trạng thái trước, như
vậy, tập k đối tượng medoid xác định ở bước này là tốt nhất cho đến thời điểm này.
5. Quay về bước 1.
END;
Các bước thực hiện thuật toán CLARA
Độ phức tạp tính toán của nó là O(k(40+k)2 + k(n-k)), và CLARA có thể thực hiện đối
với tập dữ liệu lớn. Chú ý đối với kỹ thuật tạo mẫu trong PCDL : kết quả phân cụm có
thể không phụ thuộc vào tập dữ liệu khởi tạo nhưng nó chỉ đạt tối ưu cục bộ. Thí dụ
như : Nếu các đối tượng medoid của dữ liệu khởi tạo không nằm trong mẫu, khi đó kết
quả thu được không đảm bảo là tốt nhất được.
2.1.4 Thuật toán CLARANS
Thuật toán CLARANS được Ng & Han đề xuất năm 1994, nhằm để cải tiến cho
chất lượng cũng như mở rộng áp dụng cho tập dữ liệu lớn. CLARANS cũng sử dụng
các đối tượng trung tâm medoids làm đại diện cho các cụm dữ liệu.
Như đã biết, PAM là thuật toán phân hoạch có kiểu k-medoids. Nó bắt đầu khởi
tạo k tâm đại diện medoid và liên tục thay thế mỗi tâm bởi một đối tượng khác trong
cụm cho đến khi là tổng khoảng cách của các đối tượng đến tâm cụm không giảm.
CLARANS là thuật toán phân cụm dữ liệu kết hợp thuật toán PAM với chiến lược tìm
kiếm kinh nghiệm mới. Ý tưởng cơ bản của CLARANS là không xem xét tất cả các
khả năng có thể thay thế các đối tượng tâm medoids bởi một đối tượng khác, nó ngay
lập tức thay thế các đối tượng tâm này nếu việc thay thế này có tác động tốt đến chất
lượng phân cụm chứ không cần xác định cách thay thế tối ưu nhất. Một phân hoạch
cụm phát hiện được sau khi thay thế đối tượng trung tâm được gọi là láng giềng
(Neighbor) của phân hoạch cụm trước đó. Số các láng giềng được hạn chế bởi tham số
do ngừơi dùng đưa vào là Maxneighbor, quá trình lựa chọn các láng giềng này là hoàn
toàn ngẫu nhiên. Tham số Numlocal cho phép người dùng xác định số vòng lặp tối ưu
cục bộ được tìm kiếm. Không phải tất cả các láng giềng được duyệt mà chỉ có
Maxneighbor số láng giềng được duyệt.
Một số khái niệm sử dụng trong thuật toán CLARANS được định nghĩa như
sau :
Giả sử O là một tập có n đối tượng và M ⊆ Ο là tập các đối tượng tâm medoid, NM = Ο - M
là tập các đối tượng không phải tâm. Các đối tượng dữ liệu sử dụng trong thụât toán
CLARANS là các khối đa diện. Mối đối tượng được diễn tả bằng một tập các cạch, mỗi cạnh
được xác định bằng 2 điểm. Giả sử P ⊆ R3 là một tập tất cả các điểm. Nói chung, các đối
tượng ở đây là các đối tượng dữ liệu không gian và chúng ta định nghĩa tâm của một đối tượng
chính là trung bình cộng toán học của tất cả các đỉnh hay còn gọi là trọng tâm:
Center : O
→ P
Giả sử dist là một hàm khoảng cách, khoảng cách thường được chọn ở đây là khoảng cách
Euclidean : dist: P x P→ R0+
Hàm khoảng cách dist có thể mở rộng cho các điểm của khối đa diện thông qua hàm tâm :
dist: O x O→ R0+ sao cho dist (oi, oj) = dist (center(oi), center(oj))
Mỗi đối tượng được được gán cho một tâm medoid của cụm nếu khoảng cách từ trọng tâm của
đối tượng đó tới tâm medoid của nó là nhỏ nhất. Vì vậy, chúng ta định nghĩa một tâm medoid
như sau : medoid: O→ M sao cho medoid (o) = mi, mi ∈M, ∀ mj ∈M: dist (o, mi)
≤ dist (o, mj), o ∈ O.
Cuối cùng, chúng ta định nghĩa một cụm với tâm medoid mi tương ứng là một tập con các đối
tượng trong O với medoid(o) = mi.
Giả sử C0 là tập tất cả các phân hoạch của O. Hàm tổng đế đánh giá chất lượng một phân
hoạch được định nghĩa như sau : total_distance: C0→ R0+ sao cho total_distance(c) = Σ Σ dist
(o, mi) với mi ∈M, ο ∈ cluster(mi ).
Thuật toán chi tiết CLARANS như biểu diễn trong hình sau:
Input : O, k, dist, numlocal, and maxneighbor;
Output : k cụm dữ liệu;
Như vậy, quá trình hoạt động của CLARANS tương tự với quá trình hoạt động của
thuật toán CLARA. Tuy nhiên, ở giai đoạn lựa chọn các trung tâm medoid của cụm dữ
liệu, CLARANS lựa chọn một giải pháp tốt hơn bằng cách lấy ngẫu nhiên một đối
tượng của k đối tượng trung tâm medoid của cụm và cố gắng thay thế nó với một đối
tượng được chọn ngẫu nhiên trong (n-k) đối tượng còn lại, nếu không có giải pháp nào
tốt hơn sau một số cố gắng lựa chọn ngẫu nhiên xác định, thuật toán dùng và cho kết
quả phân cụm tối ưu cục bộ.
Trong trường hợp tệ nhất, CLARANS so sánh một đối tượng với tất các đối tượng
Medoid. Vì vậy, độ phức tạp tính toán của CLARANS là O(kn2), do vậy CLARANS
không thích hợp với tập dữ liệu lớn (khi trường hợp xấu nhất xẩy ra). CLARANS có
ưu điểm là không gian tìm kiếm không bị giới hạn như đối với CLARA, và trong cùng
một lượng thời gian thì chất lượng của các cụm phân được là lớn hơn so với CLARA.
2.1.5. Nhận xét chung về họ các thuật toán phân hoạch
Thuật toán k-means chỉ thích hợp để tìm kiếm các cụm dữ liệu có dạng hình cầu, không
thích hợp cho việc xác định các cụm với hình dạng bất kỳ, nhưng trong trường hợp các
cụm khá gần nhau thì một số đối tượng của một cụm có thể là nằm cuối các trong các
cụm khác. Thuật toán PAM là một cải tiến của k-means nhằm để khắc phục trong
trường hợp dữ liệu chứa nhiễu hoặc các phần tử ngoại lai. CLARA và CLARANS là
các thuật toán dựa trên hàm tiêu chuẩn của thuật toán PAM, đây là các thuật toán có
khả năng áp dụng với tập dữ liệu lớn, nhưng hiệu quả của chúng phụ thuộc vào kích
thước của các mẫu được phân. Thuật toán CLARANS hiệu quả hơn so với thuật toán
CLARA. Hạn chế chung của các thuật toán phân cụm phân hoạch là chỉ thích hợp đối
với dữ liệu số và ít chiều, và chỉ khám phá ra các cụm dạng hình cầu, thế nhưng chúng
lại áp dụng tốt với dữ liệu có các cụm phân bố độc lập và trong mỗi cụm có mật độ
phân bố cao.
a ab
b abcde
c
cde
d
de
e
Phân chia- divisive
Step 4 Step 3 Step 2 Step 1 Step 0
• Các khoảng cách trong
Thường có 3 cách được dùng để định nghĩa khoảng cách giữa các cụm:
- Phương pháp liên kết đơn (láng giềng gần nhất):
- Giảm outliers
o Cực tiểu hóa ảnh hưởng của outliers và/ hay khử đi những outliers có thể
gây ra mất mát thông tin
o Có thể quan tâm đến khai khác outlier mining
o Các ứng dụng của khai thác outlier
- Phát hiện phạm tội
- Tiếp thị
- Xử lý y khoa
2.2.1 Thuật toán BIRCH
BIRCH (Balanced Iterative Reducing and Clustering Using Hierarchies) là thuật toán
phân cụm phân cấp sử dụng chiến lược phân cụm trên xuống (top down). Ý tưởng của
thuật tóan là không cần lưu toàn bộ các đối tượng dữ liệu của các cụm trong bộ nhớ mà
chỉ lưu các đại lượng thống kê. Đối với mỗi dữ liệu của các cụm, BIRCH chỉ lưu một
bộ ba (n, LS, SS), trong đó n là đối tượng trong cụm, LS là tổng các giá trị thuộc tính
của các đối tượng trong cụm và SS là tổng bình phương của các giá trị thuộc tính của
các đối tượng trong cụm. Các bộ ba này được gọi là các đặc trưng của cụm (Cluster
Features - CF) và được lưa giữ trong một cây gọi là cây CF (CF tree). Người ta đã
chứng minh rằng, các đại lượng thống kê chuẩn như độ đo khoảng cách, có thể xác
định cây CF. Hình dưới đây biểu thị một ví dụ về cây CF. Chúng ta thấy rằng tất cả các
nút trong cây lưu tổng các đặc trưng cụm CF của nút con, trong khi đó các nút lá lưu
trữ các đặc trưng của cụm dữ liệu
Cây CF là cây cân bằng, nhằm để lưu trữ các đặc trưng của cụm (CF). Cây CF
chứa các nút trong và nút là, nút trong là nút chứa các nút con và nút lá thì không có
con. Nút trong lưu trữ tổng các đặc trưng cụm (CF) của các nút con của nó. Một cây CF
được đặc trưng bởi hai tham số:
Yếu tố nhánh (Branching Factor - B): nhằm xác định số tối đa các nút
con của mỗi nút trong cây, và
Ngưỡng (Threshloid-T): Khoảng cách tối đa giữa bất kì một cặp đối
tượng trong nút lá của cây, khoảng cách này còn được gọi là đường kính
của các cụm con được lưu tại các nút lá.
Hai tham số này có ảnh hưởng đến kích thước của cây CF. Thuật toán BIRCH
thực hiện qua giai đoạn sau:
Giai đoạn 1: BIRCH duyệt qua tất cả các đối tượng trong cơ sở dữ liệu và
xây dựng một cây CF khởi tạo. Trong giai đoạn này, các đối tượng lần lượt được chèn
vào nút lá gần nhất của cây CF (nút lá của cây đóng vai trò là cụm con) sau khi chèn
xong thì tất cả các nút trong cây CF được cập nhật thông tin. Nếu đường kính của cụm
con sau khi chèn là lớn hơn ngưỡng T, thì nút lá được tách.
Quá trình này lặp cho đến khi tất cả các đối tượng đều được chèn vào trong cây.
Ở đây ta thấy rằng, mỗi đối tượng trong cây chỉ được đọc một lần, để lưu toàn bộ cây
CF trong bộ nhớ thì cần phải điều chỉnh kích thước của cây CF thông qua điều chỉnh
ngưỡng T.
Giai đoạn hai: BIRCH lựa chọn một thuật toán phân cụm dữ liệu (như
thuật toán phân cụm chẳng hạn) để thực hiện phân cụm dữ liệu cho các nút lá của cây.
Thuật toán BIRCH thực hiện qua các bước cơ bản như hình sau:
1. Các đối tượng dữ liệu lần lượt được chèn vào cây CF, sau khi chèn hết các
đối tượng ta thu được cây CF khởi tạo. Mỗi một đối tượng được chèn vào
nút lá gần nhất tạo thành cụm con. Nếu đường kính của cụm con này lớn
hơn T thì nút lá được tách. Khi một đối tượng thích hợp được chèn vào nút
lá thì tất cả các nút trở tới gốc của cây được cập nhật với các thông tin cần
thiết.
2. Nếu cây CF hiện thời không có đủ bộ nhớ trong thì tiến hành dựng cây CF
nhỏ hơn: kích thước của cây CF được điều khiển bởi tham số T và vì vậy
việc chọn một giá trị lớn hơn cho nó sẽ hòa nhập một số cụm con thành một
cụm, điều này làm cho cây CF nhỏ hơn. Bước này không cần yêu cầu bắt
đầu đọc dữ liệu lại từ đầu nhưng vẫn đảm bảo hiệu chỉnh cây dữ liệu nhỏ
hơn.
3. Thực hiện phân cụm: các nút lá của cây CF lưu giữ các đại lượng thống kê
của các cụm con. Trong bước này, BIRCH sử dụng các đại lượng thống kê
này để áp dụng một số kĩ thuật phân cụm ví dụ như k-means và tạo ra một
khởi tạo cho phân cụm
4. Phân phối lại các đối tượng dữ liệu bằng cách dùng các đối tượng trọng tâm
Vớicho các cụm đã được khám phá từ bước 3: đây là một bước tùy chọn để
duyệt lại tập dữ liệu và gán nhãn lại cho các đối tượng dữ liệu tới các trọng
tâm gần nhất. Bước này nhằm để gán nhãn cho các dữ liệu khởi tạo và loại
bỏ các đối tượng ngoại lai.
Với cấu trúc cây CF được sử dụng, BIRCH có tốc độ thực hiện phân cụm dữ liệu
nhanh và có thể áp dụng đối với tập dữ liệu lớn, đặc biệt, BIRCH hiệu quả khi áp dụng
với tập dữ liệu tăng trưởng theo thời gian. BIRCH chỉ duyệt toàn bộ dữ liệu một lần với
một lần quét thêm tùy chọn, nghĩa là độ phức tạp của nó là O(n), với n là đối tượng dữ
liệu. Nhược điểm của nó là chất lượng của các cụm được khám phá không được tốt.
Nếu BIRCH sử dụng khoảng cách Euclide, nó thực hiện tốt chỉ với dữ liệu số. Mặc
khác, tham số vào T có ảnh hưởng rất lớn tới kích thước và tính tự nhiên của cụm. Việc
ép các đối tượng dữ liệu làm cho các đối tượng của một cụm có thể là đối tượng kết
thúc cụm khác, trong khi các đối tượng gần nhau có thể bị hút bởi các cụm khác nếu
chúng được biểu diễn cho thuật toán theo một thứ tự khác. BIRCH không thích hợp với
dữ liệu đa chiều.
khác DBSCAN yêu cầu người dùng xác định bán kính Eps của các láng giềng và số các
láng giềng tối thiểu Minpts, các tham số này khó mà xác định được tối ưu, thông
thường nó được xác định bằng phép chọn ngẫu nhiên hoặc theo kinh nghiệm. Người ta
áp dụng chỉ số không gian để giúp xác định các láng giềng của một đối tượng dữ liệu
do vậy độ phức tạp của DBSCAN đã được cải tiến là O(nlogn) so với độ phức tạp của
DBSCAN là O(n2) trong trường hợp nếu không áp dụng cấu trúc chỉ số. Khoảng cách
Euclide được sử dụng để đo sự tương tác giữa các đối tượng nhưng không hiệu quả đối
với dữ liệu đa chiều.
Thuật toán DBSCAN dựa trên các khái niệm mật độ có thể áp dụng cho các tập
dữ liệu không gian lớn đa chiều. Dưới đây là các định nghĩa và bổ đề được sử dụng
trong thuật toán DBSCAN.
Định nghĩa 1: lân cận với ngưỡng Eps của một điểm (Eps – Neighborhood of a
point)
Lân cận với ngưỡng Eps của một điểm P kí hiệu là NEps(p) được xác định như
sau: NEps(p) = {q ∈ D | khoảng cach Dist(p,q) ≤ Eps}, D là tập dữ liệu cho trước.
Một điểm p muốn nằm trong một cụm C nào đó thì NEps(p) thì phải có tối thiểu
Minpts điểm. Số điểm tối thiểu được chọn là bao nhiêu cũng là bài toán khó, vì: Nếu số
điểm tối thiểu lớn thì chỉ những điểm nằm thực sự trong cụm C mới đạt đủ tiêu chuẩn,
trong khi đó những điểm nằm ngoài biên của cụm không thể đạt được điều đó. Ngược
lại nếu số điểm tối thiểu là nhỏ thì mọi điểm sẽ rơi vào một cụm.
Theo định nghĩa trên, chỉ những điểm thực sự nằm trong cụm mới thỏa mãn
điều kiện là điểm thuộc vào cụm. Những điểm nằm ở biên của cụm thì không thỏa mãn
điều kiện đó, bởi vì thông thường thì lân cận với ngưỡng Eps của điểm biên thì bé hơn
lân cận với ngưỡng của Eps của điểm nhân (Core point).
Để tránh được điều này, chúng ta có thể đưa ra một tiêu chuẩn khác để định
nghĩa một điểm thuộc vào một cụm như sau: Nếu một điểm p muốn thuộc vào cụm C
phải tồn tại một điểm q mà p ∊ NEps(q) và số điểm trong NEps(q) phải lớn hơn số điểm
tối thiểu. Điều này có thể được định nghĩa một cách hình thức như sau:
Định nghĩa 2: Đến được trực tiếp theo mật độ (Directly Density-reachable). Một điểm
p được gọi là đến được trực tiếp từ điểm q với ngưỡng Eps nếu:
1. p ∊ NEps(q)
2. || NEps(q)|| ≥ Minpts (điều kiện nhân)
Điểm q được gọi là điểm nhân (Core point). Có thể thấy là đến được trực tiếp
một hàm phản xạ và đối xứng đối với hai điểm nhân và bất đối xứng nếu nếu một trong
hai điểm đó không phải là điểm nhân.
Định nghĩa 3: Đến được mật độ (Density- Reachable)
Một điểm p được gọi là đến được từ một điểm q theo hai tham số Eps và Minpts nếu
tồn tại một dãy p = p1, p2, ..., pn = q thỏa mãn pi+1 là có thể đến được trực tiếp từ pi với
i = 1, n − 1
Hai điểm biên của một cụm C có thể không đến được nhau bởi vì cả hai có thể
đều không thỏa mãn điều kiện nhân. Mặc dù vậy, phải tồn tại một điểm nhân C mà cả
hai điểm đều có thể đến được từ điểm đó. Để cho thuận tiện chúng ta sẽ đưa ra một
định nghĩa liên thông mật độ (Density- Connectivity)
Định nghĩa 4: Liên thông mật độ (Density- Connectivity)
Một điểm p được gọi là liên thông với điểm q theo hai tham số Eps với Minpts nếu như
tồn tại một điểm o mà cả hai điểm p, q đều có thể đến được theo tham số Eps và
Minpts. Liên thông mật độ có tính chất đối xứng và phản xạ.
Định nghĩa 5: Cụm (Clustering)
Giả sử D là một tập các điểm dữ liệu. Một tập con C khác rỗng của D được gọi là một
cụm (cluster) thep Eps và Minpts nếu thỏa mãn hai điều kiện:
Với mọi p,q ∈ D, nếu p ∈ C và q có thể đến được từ p theo Eps và MinPts thì
q∈ C.
Với mọi p,q ∈ C, p liên thông mật độ với q theo Eps và MinPts.
Định nghĩa 6 : Dữ liệu nhiễu (Noise)
Giả sử C1, C2, …, Ck là các cụm trong tập dữ liệu D theo tham số Eps và MinPts, điểm
dữ liệu nhiễu là điểm dữ liệu không thuộc vào cụm nào trong các cụm C1, C2, …, Ck,
tức là Noise = {p | với mọi i=1..k, p ∉ Ci }
Tiếp theo là hai bổ đề để chứng minh cho việc thuật toán phân cụm DBSCAN. Chúng
phát biểu như sau: Với hai tham số Eps và MinPts cho trước, chúng ta có thể khám phá
các cụm theo hai bước :
Bước 1 : Chọn một điểm bất kỳ từ tập dữ liệu ban đầu thoả mãn điều kiện nhân
Bước 2 : Lấy tất cả các điểm đến được mật độ với điểm nhân đã chọn ở trên để
tạo thành cụm
Hai bổ đề này có thể phát biểu một cách hình thức hơn như sau :
Bổ đề 1 : Giả sử p là một điểm trong D trong đó || NEps(p)|| ≥ MinPts, tập O = {o|o∈D
và o có thể đến được mật độ từ p theo Eps và MinPts}là một cụm theo Eps và MinPts.
Như vậy, cụm C không hoàn toàn là duy nhất, tuy nhiên, mỗi một điểm trong C đến
được mật độ từ bất cứ một một điểm nhân nào của C, vì vậy C chứa đúng một số điểm
liên thông với điểm nhân tuỳ ý.
Bổ đề 2 : Giả sử C là một cụm theo Eps và MinPts, p là một điểm bất kỳ trong C với ||
NEps(p)|| ≥ MinPts. Khi đó C trùng với tập O = {o|o∈D và o có thể đến được mật độ từ
p theo Eps và MinPts}.
Thuật toán DBSCAN :
DBSCAN khởi tạo điểm p tuỳ ý và lấy tất cả các điểm đến được mật độ từ p với
Eps và MinPts. Nếu p là điểm nhân thì thủ tục trên tạo ra một cụm theo Eps và MinPts
(Bổ đề 2), Nếu p là một điểm biên, không có điểm nào đến được mật độ từ p và
DBSCAN sẽ đi thăm điểm tiếp theo của tập dữ liệu.
Nếu chúng ta chọn sử dụng giá trị trị toàn cục Eps và MinPts, DBSCAN có thể hoà
nhập hai cụm theo định nghĩa 5 thành một cụm nếu mật độ của hai cụm gần bằng nhau.
Giả sử khoảng cách giữa hai tập dữ liệu S1 và S2 được định nghĩa là Dist (S1,S2) =
min{dist(p,q)| p∈ S1 và q∈ S2}. Hình sau diễn tả thuật toán DBSCAN chi tiết:
SetOfPoints.changeClIds(seeds,ClId);
{----------Mô đun chương trình chính-------} seeds.delete(Point);
WHILE seeds <> Empty DO
DBSCAN (SetOfPoints, Eps, MinPts) currentP := seeds.first();
// SetOfPoints is UNCLASSIFIED result :=
ClusterId := nextId(NOISE); SetOfPoints.regionQuery(currentP,
FOR i FROM 1 TO SetOfPoints.size DO Eps);
Point := SetOfPoints.get(i); IF result.size >= MinPts THEN
IF Point.ClId = UNCLASSIFIED THEN FOR i FROM 1 TO result.size DO
IF ExpandCluster(SetOfPoints, Point, resultP := result.get(i);
ClusterId, Eps, MinPts) THEN IF resultP.ClId
ClusterId := nextId(ClusterId) IN {UNCLASSIFIED, NOISE} THEN
END IF IF resultP.ClId = UNCLASSIFIED
END IF THEN
END FOR seeds.append(resultP);
END; // DBSCAN END IF;
SetOfPoints.changeClId(resultP,ClId);
{--------------Thủ tục Expand -------------} END IF; // UNCLASSIFIED or NOISE
END FOR;
ExpandCluster(SetOfPoints, Point, ClId, END IF; // result.size >= MinPts
Eps, MinPts) : Boolean; seeds.delete(currentP);
seeds:=SetOfPoints.regionQuery(Point,Eps); END WHILE; // seeds <> Empty
IF seeds.size<MinPts THEN // no core point RETURN True;
SetOfPoint.changeClId(Point,NOISE); END IF
RETURN False; END; // ExpandCluster
ELSE // all points in seeds are density-
// reachable from Point {--------------End---------------------}
Trong đó, SetOfPoints hoặc là tập dữ liệu ban đầu hoặc là cụm được khám phá từ bước
trước, CLId (clusterId) là nhãn đánh dấu phần tử dữ liệu nhiễu có thể thay đổi nếu
chúng có thể đến được mật độ từ một điểm khác từ CSDL, điều này chỉ xẩy ra đối với
các điểm biên của dữ liệu. Hàm SetOfPoints.get(i) trả về phần tử thứ i của SetOfPoints.
Thủ tục SetOfPoints.regionQuery(point, Eps) trả về một danh sách các điểm dữ liệu lân
cận với điểm Point trong ngưỡng Eps từ tập dữ liệu SetOfPoints. Trừ một số trường
hợp ngoại lệ, kết quả của DBSCAN độc lập với thứ tự duyệt các đối tượng dữ liệu. Eps
và MinPts là hai tham số toàn cục được xác định bằng thủ công hoặc theo kinh nghiệm.
Tham số Eps được đưa vào là nhỏ so với kích thước của không gian dữ liệu, thì độ
phức tạp tính toán trung bình của mỗi truy vấn là O(log n).
Chưa
đánh
dấuKh
Hàm ảnh hưởng được định nghĩa như sau : Cho x,y là hai đối tượng trong không gian d
y
chiều Fd, hàm ảnh hưởng của đối tượng y lên đối tượng x được xác định như sau : f B
:
y
→ Ro , y =
Fd
+
f B
(x). Hàm ảnh hưởng là hàm tuỳ chọn, miễn là nó được xác định
bởi khoảng cách d(x,y) của các đối tượng, thí dụ như khoảng cách Euclide. Một số thí
dụ về hàm ảnh hưởng được cho như sau :
0 if d ( x, y ) > δ
Hàm sóng ngang : f ( x, y ) = , trong đó δ là một
square
1 if d ( x, y ) ≤ δ
ngưỡng.
2
d ( x, y )
Hàm Gaussian : f ( x, y ) = e
−
2δ
2
Gaussian
Hàm mật độ của một đối tượng x ∈ Fd được tính bằng tổng tất cả các hàm ảnh hưởng
của các đối tượng lên x. Giả sử ta có một tập dữ liệu D={x1, x2, ..., xn}. Hàm mật độ của
n
( x) = ∑ f x ( x) ;
D
x được xác định như sau : f B B
i
i =1
Hàm mật độ được thành lập dựa trên hàm ảnh hưởng Gauss được xác định như sau :
2
n d ( x, x i )
(d ) = ∑ e
D −
f Gauss
2δ
2 . Thí dụ về kết quả PCDL của thuật toán DENCLUE với hàm
i =1
chi phối Gaussian được biểu diễn như hình 21 sau. Các cực đại mật độ là các giá trị tại
đỉnh của đồ thị. Một cụm cho một cực đại mật độ x* là tập con C, khi các hàm mật độ
tại x* không bé hơn ξ :
Cho phép khám phá ra các cụm với hình thù bất kì ngay cả đối với các dữ liệu
đa chiều
Độ phức tạp tính toán của DENCLUE là O(nlogn). Các thuật toán dựa trên mật độ
không thực hiện kỹ thuật phân mẫu trên tập dữ liệu như trong các thụât toán phân cụm
phân hoạch, vì điều này có thể làm tăng thêm độ phức tạp do có sự khác nhau giữa mật
độ của các đối tượng trong mẫu với mật độ của toàn bộ dữ liệu.
trúc dữ liệu phân cấp, thời gian xử lý cho các truy vấn là O(g) với g là tống số cell tại
mức thấp nhất (g<<n).
3.2 Thuật toán CLIQUE
Trong không gian đa chiều, các cụm có thể tồn tại trong tập con của các chiều hay còn
gọi là là không gian con. Thuật toán CLIQUE là thuật toán phân cụm không gian con.
Nó phân hoạch tập dữ liệu thành các hình hộp chữ nhật và tìm các hình hộp chữ nhật
đặc, nghĩa là các hình hộp này chứa một số các đối tượng dữ liệu trong số các đối
tượng láng giềng cho trước. Hợp các hình hộp này tạo thành các cụm dữ liệu. CLIQUE
trước hết tìm các cell đặc đơn chiều, tiếp đến chúng tìm các hình chữ nhật 2 chiều, rồi 3
chiều,…, cho đến khi hình hộp chữ nhật đặc k chiều được tìm thấy. CLIQUE có khả
năng áp ụng tốt đối với dữ liệu đa chiều, nhưng nó lại rất nhạy cảm với thứ tự của dữ
liệu vào, độ phức tạp tính toán của CLIQUE là O(n).
3.3 Thuật toán EM
Thuật toán EM (Expectation -Maximization) được xem như là thuật toán dựa
trên mô hình hoặc là mở rộng của thuật toán k-means. Thật vậy, EM gán các đối tượng
cho các cụm dữ đã cho theo xác suất phân phối thành phần của đối tượng đó. Phân phối
xác suất thường được sử dụng là phân phối xác suất Gaussian với mục đích là khám
phá lặp các giá trị tốt cho các tham số của nó bằng hàm tiêu chuẩn là là,f logarit khả
năng củ đoói tượng dữ liệu, dây là hàm tốt để mô hình xác suất cho các dối tượng dữ
liệu. EM có khả năng khám phá ra nhiều hình dạng cụm khác nhau, tuy nhiên do thời
gian lặp của thuật toán khá nhiều nhằm xác định các tham số tốt nên chi phí tính toán
của thuật toán là khá cao: có thể nén,có thể sao lưu trong bộ nhớ và có thể hủy bỏ.
Trong các của tiến nàym các đối tượng bị hủy bỏ khi biết chắc chắn được nhãn phân
cụm của nó, chúng được nén khi không được loại bỏ và thuộc về một cụm quá lớn so
với bộ nhớ và chúng sẽ được lưa giữ lại trong các trường hợp còn lại.
Nói tóm lại, do PCDL là một ngành phát triển dựa trên sự kết hợp các khái niệm
của nhiều ngành như : thống kê, nhận dạng mẫu, CSDL, học máy,... nên có nhiều các
phương pháp cũng như thuật toán PCDL. Bảng dữ liệu sau (bảng 2) cho ta thông tin
tổng quan về các đặc tính của các phương pháp và thuật toán PCDL, nhằm làm căn cứ
cho việc lựa chọn phương pháp khi phát triển các ứng dụng.
Thuật toán Tham số vào Thích hợp với Cấu trúc Xử lý Độ phức tạp
cụm phần tử tính toán
ngoại lai
Phương pháp phân cụm phân hoạch
K-means Số các cụm Các cụm tách rời Hình cầu Không O(Ikn)
PAM Số các cụm Các cụm tách rời, tập dữ Hình cầu Không O(Ik(n-k)2)
liệu nhỏ
CLARA Số các cụm Tập dữ liệu tương đối lớn Hình cầu Không O(ks2+k(n-k))
CLARANS Số các cụm, số Tập dữ liệu không gian, Hình cầu Không O(kn2)
tối đa các láng chất lượng các cụm tốt
giềng hơn PAM và CLARA
Phương pháp phân cụm phân cấp
BIRCH Yếu tố nhánh, Tập dữ liệu lớn Hình cầu Có O(n)
đường kính
cụm
CURE Số các cụm, số Tập dữ liệu trung bình, Bất kỳ Có O(n2 log n)
cụm đại diện hình dạng các cụm bất kỳ
Phương pháp phân cụm dựa trên mật độ
DBSCAN Bán kính của Các cụm có hình dạng bất Bất kỳ Có O(n log n)
cụm, số tối kỳ, tập dữ liệu lớn
thiểu các đối
tượng trong
cụm
DENCLUE Bán kính của Các cụm có hình dạng bất Bất kỳ Có O(n log n)
các cụm, số tối kỳ, tập dữ liệu lớn
thiểu các đối
tượng
OPTICS Bán kính của Các cụm có hình dạng bất Bất kỳ Có O(n log n)
các cụm (min, kỳ, tập dữ liệu lớn
max), số tối
thiểu các đối
tượng
Các phương pháp phân cụm khác
STING Số các Cell Tập dữ liệu không gian Giới hạn Có O(n)
trong mức thấp lớn đứng và
nhất, số các đối các giới
tượng trong hạn ngang
Cell
WaveCluster Số các Cell cho Các cụm có hình dạng bất Bất kỳ Có O(n)
mỗi chiều, kỳ, tập dữ liệu lớn
sóng, số ứng
dụng biến đổi
CLIQUE Kích thước của Tập dữ liệu lớn đa chiều Bất lỳ Có O(n)
lưới, số tối
thiểu các điểm
trong mỗi lưới
Scalable EM Các tham số Tập dữ liệu lớn với phân Hình cầu Không O(n)
Gauss, giới hạn phối đồng nhất xấp xỉ
hội tụ
Trong lịch sử, bộ não đã từng được xem là một dạng máy tính, và ngược lại.
Tuy nhiên, điều này chỉ đúng theo nghĩa rộng nhất. Máy tính không phải là mô hình
của bộ não (mặc dù có thể mô tả một quá trình suy luận logic như là một chương trình
máy tính, hoặc có thể kích thích não bằng một cái máy tính) do chúng đã không được
chế tạo với mục đích này.
Tuy nhiên, từ xưa, các mạng nơ-ron dùng trong trí tuệ nhân tạo đã được xem là
các mô hình đơn giản của hoạt động thần kinh trong não. Một chủ đề của các nghiên
cứu hiện nay trong ngành thần kinh học lý thuyết là câu hỏi: mạng nơ-ron cần phức tạp
đến đâu và cần có những tính chất gì để có thể tái tạo cái gì đó giống như trí thông
minh của con người.
Vì vậy người ta đã mô hình hóa một mạng lưới gồm các dây mô hình như các
dây thần kinh của bộ não con người và cài vào đó những thuật toán để khám phá ra
những tri thức trong kho tàng tri thức của nhân loại. Đó là mạng nơron nhân tạo.
các yếu tố làm việc trong mối liên hệ giải quyết vấn đề rõ ràng. ANNs giống như
con người, được học bởi kinh nghiệm, lưu những kinh nghiệm hiều biết và sử dụng
trong những tình huống phù hợp.
Đầu tiên ANN được giới thiệu năm 1943 bởi nhà thần kinh học Warren
Mcculloch và nhà logic học Walter Pits. Nhưng với những kĩ thuật trong thời gian
này chưa cho phép họ nghiên cứu được nhiều. Những năm gần đây mô phỏng ANN
xuất hiện và phát triển. Các nghiên cứu ứng dụng đã được thực hiện trong các
ngành: điện, điện tử, kĩ thuật chế tạo, y học, quân sự, kinh tế,..và mới nhất là nghiên
cưú ứng dụng trong quản lý dự án xây dựng. Tại Việt Nam việc nghiên cứu ứng
dụng ANN vào quản lý xây dựng chỉ mới bắt đầu trong vài năm gần đây và cần
được phát triển.
Từ đây chúng ta thống nhất với nhau là khi nhắc tới mạng nơ-ron tức là nói mạng
nơ-ron nhân tạo.
Dưới đây là mô hình toán học một mạng nơ-ron nhân tao:
nnet =
WP+b a = f(nnet ) = f(WP + b)
Các tín hiệu vào ( còn gọi là mẫu vào) pi (i=1..R) được đưa tới đầu vào của nơron S tạo
thành ma trận tín hiệu vào P. Mỗi đầu vào của nơron S sẽ có một trọng số kí hiệu là ws,i
(i=1..R) và các trọng số này tạo thành một ma trận trọng số đầu vào W. Mức ngưỡng θ
của nơron có thể được biểu diễn trong mô hình toán học bằng hệ số bias b (gọi là thế
hiệu dịch). Như vậy tín hiệu vào là nnet sẽ được tính theo công thức sau:
nn et = W P + b (2.2)
Xem các biểu thức trên thì ta có thể coi hệ số bias như trọng số của một đầu vào với tín
hiệu bằng 1. Có một số loại nơron có thể bỏ qua hệ số bias này.
Hàm kích hoạt (activation function) hay còn gọi là hàm truyền (transfer function)
được kí hiệu là f sẽ biến đổi tín hiệu đầu vào nnet thành tín hiệu đầu ra nơron a. Ta có
biểu thức:
Thông thường thì hàm kích hoạt sẽ được chọn bởi người thiết kế tuỳ theo mục
đích của mạng. Các trọng số và hệ số bias là các thông số điều chỉnh được của mạng
nơron. Chúng được điều chỉnh bởi một số luật học (learning rule). Như vậy quan hệ
giữa đầu ra và các đầu vào của nơron sẽ tuỳ thuộc vào việc nơron đó được dùng cho
các mục đích cụ thể nào.
• Mạng được xây dựng bằng các phần tử tính toán đơn giản liên kết lại với nhau
một cách phức tạp và hoạt động theo nguyên tắc song song.
• Chức năng của mạng được xác định qua cấu trúc mạng, quá trình xử lý bên
trong các phần tử và mức độ liên kết giữa các phần tử.
• Mức độ liên kết giữa các phần tử được xác định thông qua quá trình học của
mạng ( hay còn gọi là quá trình huấn luyện mạng - training).
Điểm khác nhau về căn bản giữa mạng nơron nhân tạo và mạng nơron sinh học là
ở tốc độ tính toán, độ phức tạp và tính song song. Tuy xét về tốc độ xử lý của các máy
tính hiện đại là cao hơn rất nhiều so với tốc độ xử lý của não bộ con người nhưng bộ
não lại có thể đồng thời kích hoạt toàn bộ các nơron để làm nhiều công việc khác nhau.
Điều này mạng nơron nhân tạo không thể thực hiện được. Với sự phát triển nhanh
chóng của khoa học như hiện nay thì ta có thể hi vọng sẽ có những bước đột phá mới
trong lĩnh vực mô phỏng mạng nơron sinh học.
wk2 ∑ F (.)
wk3
lại theo kiểu không đầy đủ-mỗi đầu ra chỉ liên kết với một số nơron của lớp tiếp theo
tuỳ theo chức năng của mạng.
neuron
neuron
neuron
a. Hàm Threhold
1 nếu u > 0
f (u) =
0 nếu u < 0
f (u) = 1
1 + exp (-au)
• Mạng nơron một lớp là mạng chỉ có lớp vào và lớp ra. Đầu vào được đưa
trực tiếp đến lớp ra. Mạng này có cấu trúc tương đối đơn giản, nó chủ yếu dùng
cho các mạng làm chức năng phân loại và thực hiện các hàm đơn giản.
• Mạng nơron nhiều lớp là các mạng nơron có thêm một hoặc vài lớp ẩn.
Do đó cấu trúc mạng vì vậy mà phức tạp hơn rất nhiều. Tuy nhiên các mạng
nơron này lại có khả năng thực hiện các công việc phức tạp hơn. Nó có thể thực
hiện được các hàm phân bố ngẫu nhiên với điều kiện thu thập được một tập mẫu
tin cậy và đủ lớn.
Theo kiểu liên kết của các nơron
Xét theo kiểu liên kết của các nơron thì có cấu trúc mạng nơron truyền thẳng và
mạng nơron quy hồi
• Mạng nơron truyền thẳng (feedforward Neural Network) là mạng có cấu
trúc mà ở đó các liên kết nơron đi theo một hướng nhất định, không tạo thành đồ
thị có chu trình (Directed Acrylic Graph) với các đỉnh là các nơron và các cung
là các liên kết giữa chúng.
• Mạng quy hồi (Recurrent Neural Network) cho phép các liên kết nơron
tạo thành chu trình tức là tồn tại những liên kết từ các nơron lớp sau quay trở lai
các nơron lớp trước. Trong chu trình này, các tín hiệu ra của nơron lại được
truyền ngược lại cho các nơron đã kích hoạt chúng do đó mà mạng hồi quy có
khả năng lưu giữ trạng thái trong dưới dạng các ngưỡng kích hoạt ngoài các
trọng số liên kết nơron. Mạng hồi quy có thể là hồi quy một lớp hoặc hồi quy
nhiều lớp.
Theo liên kết bên
Loại liên kết bên (lateral connection) thực hiện trên một lớp được gọi là lớp
cạnh tranh (competitive layer). Lớp cạnh tranh thường được tổ chức như một
lưới nơron hai chiều, và một tập tín hiệu vào sẽ đồng thời được đưa đến tất cả
các nơron của lớp. Mỗi nơron của lớp cạnh tranh có một liên kết kích thích
(excitatory và có trọng số là dương) với chính nó và có các liên kết ức chế
(inhibitory và có trọng số là âm) với các nơron lân cận cùng lớp
Huấn luyện ANN để thực hiện một ứng dụng cụ thể là điều chỉnh, xác lập các
giá trị trọng số liên kết - còn được gọi là bộ trọng số kết nối của mạng (ký hiệu là W) -
giữa các neuron trong mạng và của các bias. Trong học giám sát, các cặp tín hiệu vào
ra được dùng để huấn luyện mạng sao cho tín hiệu ra của mạng tiệm cận tới tín hiệu ra
mong muốn của hệ thống
e=t–y
Các nơ-ron của lớp đầu vào tương ứng với một thành phần trong vector
đặc trưng đang xét. Ví dụ nếu xét dữ liệu có vector đặc trưng là 4 thành phần thì
lớp đầu vào sẽ có 4 nơ-ron. Mỗi nơ-ron của lớp đầu vào được nối với tất cả các
nơ-ron của lớp Kohonen.
Các nơ-ron trong lớp Kohonen được tổ chức thành một không gian n
chiều. N được gọi là số chiều của SOM. Ví dụ N = 2: lớp Kohonen là một lưới 2
chiều các nơ-ron. Với N = 3: lớp Kohonen là một khối 3 chiều các nơ-ron.
Mỗi nơ-ron thuộc lớp Kohonen ngoài các giá đầu vào, đầu ra còn có
vector trọng số liên kết với các nơ-ron thuộc lớp đầu vào. Hay nói cách khác,
mỗi nơ-ron của lớp Kohonen sẽ có thể thêm một vector trọng số N chiều.
Có thể xem mỗi nơ-ron trong lớp Kohonen như là một đại diện cho một
cụm với vector trọng số chính là vector trọng tâm của cụm đó. Thực sự điều này
không hẳn lúc nào cũng như vậy mà cần có sự linh hoạt trong việc xác
đinh cầu hình (số chiều) và số nơ-ron trong lớp Kohonen (đây chỉ là một gợi ý
cho những ai chưa biết về SOM trong cài đặt sau này)
Thuật giải huấn luyện SOM có thể được mô tả theo các bước cơ bản như sau:
Khởi tạo:
Các vector trọng số cho từng nút trong mạng được khởi tạo. Các giá trị khởi tạo này
thường được chọn một cách ngẩu nhiên và thỏa tiêu chuẩn đủ nhỏ.
Tìm mẫu khớp tốt nhất (MBU) - phần tử neuron chiến thắng:
Mỗi nút trên mạng sẽ được kiểm tra để tính xem nút nào có trọng số gần với vector
nhập nhất. Phần tử chiến thắng được xem là phần tử so khớp tốt nhất (BMU: Best
Matching Unit).
Thuật giải tìm mẫu khớp tốt nhất được thực hiện như sau:
Duyệt tất cả các nút và tính khoảng cách Euclide giữa vector trọng số của mỗi nút và
vector nhập hiện hành.
Công thức để tính khoảng cách Euclide được cho như sau:
Nút có vector trọng số gần nhất với giá trị của vector nhập sẽ đựoc chọn là MBU
Xây dựng các phần tử lân cận:
Bán kính lân cận của MBU sẽ được tính lại. Bán kính được xác định lớn nhất thường sẽ
là bán kính của mạng, nhưng sau đó giá trị này sẽ giảm dần sau những bước thực hiện.
Tất cả những phần tử nằm trong bán kính trên sẽ được xem là phần tử lân cận của
BMU.
Trong mỗi vòng lặp, sau khi MBU được xác định bước tiếp theo là thực hiện lại việc
tính toán trên các nút để xây dựng lại tập các phần tử lân cận mới của MBU. Các vector
trọng số của các phần tử lân cận này sẽ được cập nhật lại ở bước tiếp theo.
Tập các phần tử lân cận của MBU sẽ được cập nhật lại bằng cách duyệt qua các phần
tử nằm trong bán kính lân cận hay vector khoảng cách của MBU.
Đặc tính duy nhất của thuật toán học Kohonen là vùng lân cận của MBU được xây
dựng trên vector khoảng cách sẽ được co lại sau một số lần lặp nhất định. Điều này
được thực hiện bằng cách co lại bán kính của vùng lân cận theo số lần lặp.
Phép co sẽ được thực hiện theo hàm mũ nội suy sau:
σ0 = max(Width, Height)/2
Giá trị của hằng số λ phụ thuộc vào σ và số lần lặp để chạy giải thuật. Nó được tính
theo công thức sau:
λ = N/log(σ0)
λ và σ sẽ được dùng để tính bán kính lân cận trong mỗi lần lặp của giải thuật.
Một ví dụ về sự co lại của bán kính lân cận thực hiện theo công thức trên.
Khi bán kính lân cận đã được xác định, việc xác định các phần tử lân cận của MBU sẽ
được thực hiện đơn giản bằng cách duyệt tất cả các phần tử trong mạng để xem nó có
nằm trong bán kính lân cận hay không.
Hiệu chỉnh trọng số của các phần tử lân cận – quá trình học của giải thuật SOM:
Trọng số của các phần tử lân cận (được xác định ở bước d) bao gồm cả BMU sẽ được
điều chỉnh để chúng có giá trị gần giống với giá trị của vector nhập hơn. Phần tử càng
gần với MBU, thì trọng số của nó sẽ càng đễ bị thay đổi nhiều hơn. Các vector trọng số
sẽ được hiệu chỉnh theo công thức sau:
Hàm nội suy tốc độ học L(t) cho mỗi bước lặp đựơc tính theo công thức sau:
L0: Giá trị khởi tạo ban đầu của tốc độ học.
λ: hằng số thời gian
Càng tiến dần về điểm giữa thì tốc độ học sẽ càng giống với hàm mũ nội suy của phép
co - biểu thức (5)
Tốc độ học sẽ được nội suy dần theo tốc độ học và giá trị của hàm sẽ tiến dần về không
khi số lần lặp đạt đến những bước cuối cùng.
Dạng cải tiến của hàm hiệu chỉnh vector trọng số:
Ta nhận thấy không chỉ tốc độ học phải nội suy theo thời gian học mà tính hiệu quả của
phép học SOM còn phải tương ứng thay đổi theo khoảng cách của nút hiện tại đến
neuron chiến thắng.
Đặc điểm này cho thấy trong quá trình học các neuron trong vùng lận cận càng ở xa
neuron chiến thắng sẽ học càng ít hơn.
Về mặt lý tưởng , số lần học phải giảm dần theo khoảng cách thỏa mãn hàm nội suy
Gaussian được cho bởi đồ thị sau:
Lúc này hàm hiệu chỉnh vector trọng số được biểu diễn lại như sau:
θ: Hàm nội suy theo thời gian học. Nó thể hiện sự tác động của khoảng cách đối với
quá trình học và được tính theo công thức sau:
Lưu ý là một mẫu học có thể được đưa vào học nhiều lần. Hàm số Sigma
có thể phụ thuộc vào thời điểm lặp, nghĩa là càng về cuối thì mức ảnh hưởng
của nó càng cao/thấp.
4. Ưu và nhược điểm của SOM
a. Ưu điểm
Giải thuật SOM được cài đặt tương đối đơn giản và dễ hiểu. SOM được sử
dụng trong việc gom cụm các loại dữ liệu và trực quan hóa chúng trên bản đồ
nhằm đơn giản hóa quá trình khai thác và thu thâp dữ liệu
b. Nhược điểm
Bên cạnh những ưu điểm của mình, SOM còn có một số nhược điểm:
Mất mát thông tin
Chi phí cho việc tính toán khá cao khi số chiều của dữ liệu tăng lên
Tổng kết
Khai khá dữ liệu là vấn đề rất cần thiết trong cuộc sống của chúng ta. Từ khai phá dữ
liệu chúng ta có thể phát hiện ra tri thức. Đó là vấn đề cốt lõi của chúng ta. Có rất nhiều
cách để con người khai phá được dữ liệu và một trong những cách đó là phân cụm dữ
liệu. Có rất nhiều thuật toán phân cụm dữ liệu và trong đề tài này đã trình bày được một
số thuật toán trong phân cụm dữ liệu. Đề tài tập trung vào ứng dụng của mạng nơ-ron
để phân cụm trong thuật toán SOM. Do giới hạn về thời gian nên trong đề tài chưa
được hoàn thiện. Trong thời gian tới đây tôi sẽ tiếp tục nghiên cứu để hoàn thiện đề tài
và ứng dụng vào thực tế.
Xin chân thành cảm ơn thầy giáo Nguyễn Tân Ân đã tận tình giúp đỡ em trong quá
trình làm đề tài này.