TRƯỜNG ĐẠI HỌC ĐIỆN LỰC

KHOA CÔNG NGHỆ THÔNG TIN

BÁO CÁO CHUYÊN ĐỀ HỌC PHẦN

KHAI PHÁ DỮ LIỆU

ỨNG DỤNG THUẬT TOÁN SVM ĐỂ

DỰ ĐOÁN BỆNH UNG THƯ PHỔI

Sinh viên thực hiện: ĐỒNG VĂN HƯNG

HỒ ĐỨC TRUNG
ĐÔN NGUYÊN THẮNG
Giảng viên hướng dẫn: T h S .VŨ VĂN ĐỊNH
Ngành: CÔNG NGHỆ THÔNG TIN
Chuyên ngành: QUẢN TRỊ AN NINH MẠNG
Lớp: D16QTANM

Hà Nội, tháng 4 năm 2024

 PHIẾU CHẤM ĐIỂM
Sinh viên thực hiện:
Họ và tên Chữ ký Ghi chú Điểm
ĐỒNG VĂN HƯNG
21810320469

ĐÔN NGUYÊN THẮNG

21810320482

HỒ ĐỨC TRUNG
21810310167

Giảng viên chấm:

Họ và tên Chữ ký Ghi chú
Giảng viên chấm 1 :

Giảng viên chấm 2 :

2
LỜI NÓI ĐẦU.......................................................................................................3
CHƯƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU..................................4
1.1Khái niệm cơ bản............................................................................................4
1.1.1 Khai phá dữ liệu là gì ?.............................................................................4
1.1.2 Khai phá tri thức từ CSDL.........................................................................4
1.1.3 Các ứng dụng của khai phá dữ liệu..........................................................5
1.1.4 Các bước của quá trình khai phá dữ liệu.................................................5
1.2 Một số kỹ thuật khai phá dữ liệu...............................................................6
1.2.1Kỹ thuật khai phá luật kết hợp...................................................................6
1.2.2 Kỹ thuật phân lớp.......................................................................................6
1.2.3 Kỹ thuật phân cụm......................................................................................7
CHƯƠNG 2: THUẬT TOÁN SVM....................................................................8
2.1 Giới thiệu chung SVM..................................................................................8
2.2 SVM làm việc như thế nào...........................................................................8
2.3 Cách chọn siêu phẳng tối ưu.......................................................................9
2.4 Tính m (margin).............................................................................................9
2.5 Phương trình của SVM Phương trình tuyến tính.................................12
2.5.1 Sai số dự đoán...........................................................................................12
2.5.2 Hàm mất mát.............................................................................................12
2.5.3 Hàm đánh giá...........................................................................................13
CHƯƠNG 3: SVM VÀ BÀI TOÁN DỰ ĐOÁN BỆNH UNG THƯ PHỔI....14
3.1 Phân tích bài toán....................................................................................14
3.2 Đọc và xây dựng dữ liệu, chương trình.......................................................15
KẾT LUẬN..........................................................................................................21
TÀI LIỆU THAM KHẢO................................................................................22

3
 LỜI NÓI 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 trình bày về một kỹ thuật
trong khai phá dữ liệu để phân lớp dữ liệu cũng như tổng quan về khai phá
dữ liệu, với đề tài “Ứng dụng thuật toán SVM để dự đoán bệnh ung thư
phổi”. Trong quá trình làm bài tập lớn này, chúng em xin gửi lời cảm ơn đến
thầy Vũ Văn Định. Thầy đã rất tận tình hướng dẫn chi tiết cho chúng em,
những kiến thức thầy cung cấp rất hữu ích. Chúng em rất mong nhận được
những góp ý từ thầy.
Chúng em xin chân thành cảm ơn!
 CHƯƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU
1.1 Khái niệm cơ bản
1.1.1 Khai phá dữ liệu là gì ?
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.
1.1.2 Khai phá tri thức từ CSDL
Khai phá tri thức từ CSDL gồm 5 bước
- B1: Lựa chọn CSDL
- B2: Tiền xử lý
- B3: Chuyển đổi
- B4: Khai phá dữ liệu
- B5: Diễn giải và đánh giá
Khai phá dữ liệu là 1 bước trong quá trình khai phá tri thức từ

CSDL

Hình 1.1: Quá trình khai phá tri thức

5
1.1.3 Các ứng dụng của khai phá dữ liệu
Phát hiện tri thức và khai phá dữ liệu liên quan đến nhiều ngành, nhiều
lĩnh vực: thống kê, trí tuệ nhân tạo, cơ sở dữ liệu, 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 rất 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 (OLAP- On Line Analytical Processing) 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 gene và thông tin di truyền, mối liên hệ gene 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, ...
1.1.4 Các bước của quá trình khai phá dữ liệu

6
 Bước thứ nhất: Hình thành, xác định và định nghĩa bài toán. Là tìm
hiểu lĩnh vực ứng dụng từ đó hình thành bài toán, xác định các nhiệm vụ cần
phải hoàn thành. Bước này sẽ quyết định cho việc rút ra được các tri thức
hữu ích và cho phép chọn các phương pháp khai phá dữ liệu thích hợp với
mục đích ứng dụng và bản chất của dữ liệu.
Bước thứ hai: Thu thập và tiền xử lý dữ liệu. Là thu thập và xử lý thô,
còn được gọi là tiền xử lý dữ liệu nhằm loại bỏ nhiễu (làm sạch dữ liệu), xử
lý việc thiếu dữ liệu (làm giàu dữ liệu), biến đổi dữ liệu và rút gọn dữ liệu
nếu cần thiết, bước này thường chiếm nhiều thời gian nhất trong toàn bộ qui
trình phát hiện tri thức. Do dữ liệu được lấy từ nhiều nguồn khác nhau,
không đồng nhất, … có thể gây ra các nhầm lẫn. Sau bước này, dữ liệu sẽ
nhất quán, đầy đủ, được rút gọn và rời rạc hoá.
Bước thứ ba: Khai phá dữ liệu, rút ra các tri thức. Là khai phá dữ liệu,
hay nói cách khác là trích ra các mẫu hoặc/và các mô hình ẩn dưới các dữ
liệu. Giai đoạn này rất quan trọng, bao gồm các công đoạn như: chức năng,
nhiệm vụ và mục đích của khai phá dữ liệu, dùng phương pháp khai phá
nào? Thông thường, các bài toán khai phá dữ liệu bao gồm: các bài toán
mang tính mô tả - đưa ra tính chất chung nhất của dữ liệu, các bài toán dự
báo - bao gồm cả việc phát hiện các suy diễn dựa trên dữ liệu hiện có. Tuỳ
theo bài toán xác định được mà ta lựa chọn các phương pháp khai phá dữ
liệu cho phù hợp.
Bước thứ tư: Sử dụng các tri thức phát hiện được. Là hiểu tri thức đã
tìm được, đặc biệt là làm sáng tỏ các mô tả và dự đoán. Các bước trên có thể
lặp đi lặp lại một số lần, kết quả thu được có thể được lấy trung bình trên tất
cả các lần thực hiện. Các kết quả của quá trình phát hiện tri thức có thể được
đưa vào ứng dụng trong các lĩnh vực khác nhau do các kết quả có thể là các
dự đoán.
1.2 Một số kỹ thuật khai phá dữ liệu
1.2.1Kỹ thuật khai phá luật kết hợp
Trong khai phá dữ liệu, mục đích của luật kết hợp là tìm ra các mối
quan hệ giữa các đối tượng trong khối lượng lớn dữ liệu. Để khai phá luật
kết hợp có rất nhiều thuật toán, nhưng dùng phổ biến nhất là thuật toán
Apriori. Đây là thuật toán khai phá tập phổ biến trong dữ liệu giao dịch để
7
phát hiện các luật kết hợp dạng khẳng định nhị phân và được sử dụng để xác
định, tìm ra các luật kết hợp trong dữ liệu giao dịch. Ngoài ra, còn có các
thuật toán FP-growth, thuật toán Partition,…
1.2.2 Kỹ thuật phân lớp
Trong kỹ thuật phân lớp gồm có các thuật toán:
- Phân lớp bằng cây quyết định (giải thuật ID3, J48): phân lớp dữ liệu
dựa trên việc lập nên cây quyết định, nhìn vào cây quyết định có thể ra quyết
định dữ liệu thuộc phân lớp nào.
- Phân lớp dựa trên xác suất (Naïve Bayesian): dựa trên việc giả định
các thuộc tính độc lập mạnh với nhau qua việc sử dụng định lý Bayes.
- Phân lớp dựa trên khoảng cách (giải thuật K – láng giềng): làm như
láng giềng làm, dữ liệu sẽ được phân vào lớp của k đối tượng gần với dữ liệu
đó nhất.
-Phân lớp bằng SVM: phân lớp dữ liệu dựa trên việc tìm ra một siêu
phẳng “tốt nhất” để tách các lớp dữ liệu trên không gian nhiều chiều hơn.
1.2.3 Kỹ thuật phân cụm
Phân cụm dữ liệu là cách phân bố các đối tượng dữ liệu vào các nhóm/
cụm sao cho các đối tượng trong một cụm thì giống nhau hơn các phần tử
khác cụm, gồm có một số phương pháp phân cụm cơ bản như:
+ Phân cụm bằng phương pháp K-mean: tìm ra tâm của các cụm mà
khoảng cách của tâm đó đến các đối tượng, dữ liệu khác là ngắn.
+ Phân cụm trên đồ thị
Ngoài ra, khai phá dữ liệu có rất nhiều kỹ thuật, nhưng đây là những
kỹ thuật cơ bản và đơn giản trong khai phá dữ liệu mà chúng em được tìm
hiểu.

8
 CHƯƠNG 2: THUẬT TOÁN SVM
2.1 Giới thiệu chung SVM
SVM (Support Vector Machine) là một thuật toán học máy có giám
sát được sử dụng rất phổ biến ngày nay trong các bài toán phân lớp
(classification) hay hồi qui (Regression).
SVM được đề xuất bởi Vladimir N. Vapnik và các đồng nhiệp của ông
vào năm 1963 tại Nga và sau đó trở nên phổ biến trong những năm 90 nhờ
ứng dụng giải quyết các bài toán phi tuyến tính (nonlinear) bằng phương
pháp Kernel Trick.
2.2 SVM làm việc như thế nào
Ý tưởng của SVM là tìm một siêu phẳng (hyper lane) để phân tách các
điểm dữ liệu. Siêu phẳng này sẽ chia không gian thành các miền khác nhau
và mỗi miền sẽ chứa một loại dữ liệu.

Hình 1.2 Hình ảnh mặt phẳng hyper lane trong không gian 2 chiều
Siêu phẳng được biểu diễn bằng hàm số <W.X> = b (W và X là các
vector
9
 <W.X> là tích vô) Hay WT (WT là ma trận chuyễn vị).
Vấn đề là có rất nhiều siêu phẳng, chúng ta phải chon cái nào để tối ưu
nhất.
2.3 Cách chọn siêu phẳng tối ưu
Siêu phẳng phân tách hai lớp dữ liệu H0 thỏa mã <W.X> + b =0. Siêu
phẳng này tạo ra hai nửa không gian (half space) dữ liệu :
Không gian các dữ liệu lớp âm Xi thỏa mãn và không gian dữ liệu
lớp dương Xj thỏa mãn
Tiếp theo ta chọn hai siêu phẳng lề H1 đi qua điểm thuộc lớp âm và
H2 đi qua điểm thuộc lớp dương đều song song với H0
●
H1: <W.X> + b =1
●
H2: <W.X> + b =1
Khoảng cách từ H1 đến H0 là Khoảng cách từ H2 đến H0 là m = +
được gọi là mức lề
Siêu phẳng tối ưu mà chúng ta cần chọn là siêu phẳng phân tách có lề
lớn nhất. Lý thuyết học máy đã chỉ ra rằng một siêu phẳng như vậy sẽ cực
tiểu hóa giới hạn lỗi mắc phải.
2.4 Tính m (margin)
Khoảng cách từ một điểm Xk đến siêu phẳng H0 là: . Trong đó là độ
dài của vector W: .
Khoảng cách từ một điểm Xi nằm trên H1 đến H0 :
Khoảng cách từ một điểm Xj nằm trên H2 đến H0 :
Từ đó ta có thể tính được mức lề :
Giờ thì bạn đã hiểu vì sao các điểm nằm trên hai siêu phẳng H1 và H2
được gọi là các Support Vector.
Vậy việc training trong giải thuật SVM tương được với bài toán cực
tiểu hóa có ràng buộc sau đây :
Cực tiểu hóa :

10
 Với điều kiện: Nhân hai vế bất đẳng thức của (1) và (2) với yi ta được
điều kiện thu gọn :
Bài toán tương đương với
Minimize:
Subject to: (3)
Với điều kiện này, đây chính là bài toán hard-margin của SVM
Việc giải bài toán trên liên quan đến một số lý thuyết toán học tương
đối phức tạp như điều kiện Karush-Kuhn-Tucker, hàm đối ngẫu Lagrange,
Convex optimization … Mình sẽ không nói ở bài này.
Việc xác định siêu phẳng H0 được giả sử trong điều kiện lý tưởng tập
dữ liệu có thể phân tách tuyến tính, tìm được hai siêu phẳng lề H1 và H2 mà
không có điểm dữ liệu nào nằm giữa chúng. Vậy trong trường hợp tập dữ
liệu có nhiều điểm gây nhiễu, các điểm này không thỏa mãn điều kiện (3),
bài toán không tìm được lời giải.

Hình 1.3 Hình ảnh cho bài toán hard-margin

Đối với các trường hợp này chúng ta cần nới lỏng các điều kiện lề
bằng việc sử dụng các biến slack
11
 Bài toán trong trường hợp này trở thành:
Minimize:
Subject to:
Trong đó C là tham số xác định mức độ phạt của (penalty degree) đối
với các lỗi (đây là mà một tham số khá quan trọng mà các bạn cần phải tối
ưu trong quá trình huấn luyện SVM)
Đây chính là bài toán Soft-margin của SVM.
Một vấn đề cuối cùng mà mình muốn nhắc đến trong bài này là đối
với các bài toán có không gian dữ liệu là phi tuyến tính (non-linear) chúng ta
không thể tìm được một siêu phẳng H0 thỏa mãn bài toán.

Hình 1.4 Hình ảnh cho bài toán soft-margin

Để giải quyết bài toán trong trường hợp này chúng ra cần biểu diễn
(ánh xạ ) dữ liệu từ không gian ban đầu X sang không gian F bằng một hàm
ánh xạ phi tuyến:
Trong không gian F tập dữ liệu có thể phân tách tuyến tính. Nhưng
nãy sinh một vẫn đề lớn đó là trong không gian mới này số chiều của giữ
liệu tăng lên rất nhiều
12
 so với không gian ban đầu làm cho chi phí tính toán vô cùng tốn kém.
Rất may trong bài toán SVM người ta đã tìm ra một cách không cần phải
tính , và hàm ánh xạ mà vẫn tính được . Phương pháp này gọi là Kernel
Trick
K(x,z) là một hàm nhân (Kernel functions) Một số hàm nhân thường
dùng:
d
● Polynomial:
● Gaussian RBF:
● Sigmoidal:
2.5 Phương trình của SVM Phương trình tuyến tính

13
 Trong đó w thuộc Rn là vector hệ số ứng với các chiều của
vector
, b là hệ số tự do trong không gian hai chiều
thì được gọi là đường thẳng, không gian 3 chiều là mặt phẳng.
2.5.1 Sai số dự đoán
Sai số dự đoán được tính bằng công thức sau:

Trong đó, e là sai số dự đoán, y là giá trị thực và là giá trị dự đoán
(hay còn gọi là y_pred). Hàm bình phương để tránh phương trình có thể ra
kết quả âm và vì e là sai số, nên giá trị này càng nhỏ càng tốt.
2.5.2 Hàm mất mát

14
2.5.3 Hàm đánh giá

- Accuracy : (ACC)
Cách đơn giản và hay được sử dụng nhất là accuracy (độ chính xác).
Cách đánh giá này đơn giản tính tỉ lệ giữa số điểm được dự đoán đúng và
tổng số điểm trong tập dữ liệu kiểm thử:

Trong đó TP, TN là dự đoán đúng

FP, FN là dự đoán sai
● Precision - bao nhiêu cái đúng được lấy ra

● Recall - bao nhiêu cái được lấy ra là đúng

15
 CHƯƠNG 3: SVM VÀ BÀI TOÁN DỰ ĐOÁN BỆNH UNG THƯ
PHỔI
3.1 Phân tích bài toán
Về dữ liệu chúng ta sẽ sử dụng bộ dữ liệu được thu thâp trên Kaggle
về bệnh ung thư phổi “Lung Cancer Prediction”.

● Input X: gồm Age, Smokes, Areaq, Alkhol

⮚ Age: độ tuổi được khảo sát.

16
 ⮚ Smokes: số lượng thuốc lá hút mỗi ngày

⮚ AreaQ: kích thước khối u.

⮚ Alkhol: Lượng sử dụng rượi.

● Output Y:
⮚ Y là dạng nhị phân 0/1.

⮚ 0 là biểu thị tượng trưng cho người không mắc bệnh, 1 là biểu thị
tượng trưng cho người mắc bệnh.
3.2 Đọc và xây dựng dữ liệu, chương trình
❖ Liên kết dữ liệu và hiện thị

17
❖ Max, min, giá trị trung bình, biến phân (variant), độ lêch chuẩn (std)

❖ Phân phối chuẩn đoán

18
❖ Chia tập train và test

❖ Mô hình huấn luyện

19
❖ Hệ số sau khi huấn luyện

❖ Kết quả, độ chính xác của ma trận

20
❖ Làm rõ hơn cách tính độ chính xác

=> 100% nhãn 0 được dự đoán đúng là 0 trên tổng số nhãn 0

=> 100% nhãn 1 được dự đoán đúng là 1 trên tổng số nhãn 1
=> 100% nhãn 0 được dự đoán đúng là 0 trên tổng số dự đoán là 0
=> 100% nhãn 1 được dự đoán đúng là 1 trên tổng số dự đoán là 1

21
❖ Hình vẽ minh họa

22
 KẾT LUẬN
Những kết quả đạt được của đề tài:

✔ Đã tìm hiểu kiến thức về Machine Learning

✔ Đã tìm hiểu thuật toán SVM

✔ Đã áp dụng thuật toán SVM để dự đoán người mắc bệnh ung thư
phổi với độ chính xác khá cao.
Hạn chế: Trong quá trình làm bài chúng em còn gặp nhiều vấn đề như
tìm hiểu thuật toán còn gặp nhiều khó khăn, kiến thức còn hạn chế, thời gian
có hạn với môn học
Hướng phát triển: Chúng em tiếp tục nghiên cứu Machine Learning và
áp dụng thuật toán SVM cho các bài toán khác.

23
 TÀI LIỆU THAM KHẢO
- Introduction to Data Mining - Tan, Steinbach & Kumar
- Wikipedia - data mining
- Data Mining: Practical Machine Learning Tools and Techniques - Ian H.
Witten, Eibe Frank and Mark A. Hall
- Data Mining - Jiawei Han, Jian Pei, Hanghang Tong

24