ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

HOÀNG VĂN TRÌU

TÌM HIỂU PHƯƠNG PHÁP TÌM THUỘC TÍNH TỐI ƯU
NHẰM TĂNG HIỆU QUẢ PHÂN TÍCH TRONG PHÂN
TÍCH DỮ LIỆU LỚN

LUẬN VĂN THẠC SỸ - NGÀNH CÔNG NGHỆ THÔNG TIN


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

HOÀNG VĂN TRÌU

TÌM HIỂU PHƯƠNG PHÁP TÌM THUỘC TÍNH TỐI
ƯU NHẰM TĂNG HIỆU QUẢ PHÂN TÍCH TRONG PHÂN
TÍCH DỮ LIỆU LỚN
Ngành: Công nghệ thông tin
Chuyên ngành: Kỹ thuật phần mềm
Mã Số: 60480103

LUẬN VĂN THẠC SỸ - NGÀNH CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS. NGUYỄN HÀ NAM

HÀ NỘI - 2015



Hà Nội, ngày 31 tháng 08 năm 2015
Học viên

Hoàng Văn Trìu


Mục lục
Giới thiệu ........................................................................................................... 1
Chương 1. Giới thiệu Khai phá dữ liệu ............................................................... 3
1.1. Tổng quan Khai phá dữ liệu ..................................................................................... 3
1.2. Tổng quan trích chọn thuộc tính ............................................................................... 5
2.3. Kết luận ................................................................................................................... 7

Chương 2. Họ thuật toán k-Láng giềng gần nhất và Thuật toán Di truyền .......... 8
2.1. Họ thuật toán k-Láng giềng gần nhất ....................................................................... 8
2.1.1. Khái niệm .............................................................................................................. 8
2.1.2. Thuật toán Láng giềng gần nhất (NN) ................................................................... 8
2.1.3. Thuật toán k-Láng giềng gần nhất (kNN) ............................................................... 9
2.1.4. Thuật toán Đánh trọng số k-Láng giềng gần nhất (WkNN) ................................. 10
2.1.5. Thuật toán Hàm nhân k-Láng giềng gần nhất (Kernel k-NN) ............................... 15
2.2. Thuật toán Di truyền (GA)...................................................................................... 18
2.2.1. Giới thiệu ........................................................................................................... 18
2.2.2. Thuật toán Di truyền (GA) ................................................................................. 19
2.3 Kết luận .................................................................................................................. 24

Chương 3. Mô hình GA_Kernel k-NN và kết quả thực nghiệm ........................ 26
3.1. Giới thiệu ............................................................................................................... 26
3.2. Mô hình GA_Kernel k-NN ...................................................................................... 26
3.2.1. Kiến trúc GA_Kernel k-NN .................................................................................. 26
3.2.2. Môi trường thực nghiệm ...................................................................................... 29

Bảng 2.2: Một số hàm nhân hay được dùng...................................................... 16
Bảng 3.1: Danh sách tên hàm cài đặt thuật toán GA_Kernel k-NN................... 32
Bảng 3.2: Tổng quan các bộ dữ liệu sử dụng .................................................... 33
Bảng 3.3: Tóm tắt độ chính xác GA_Kernel k-NN và GA_RF trên Arcene...... 34
Bảng 3.4: Số thuộc tính trích trọn GA_Kernel k-NN và GA_RF trên Arcene... 35
Bảng 3.5: Độ chính xác GA_Kernel k-NN và công bố trên Arcene .................. 36
Bảng 3.6: Tóm tắt độ chính xác GA_Kernel k-NN và GA_RF trên DLBCL .... 38
Bảng 3.7: Số thuộc tính trích chọn GA_Kernel k-NN và GA_RF trên DLBCL 39
Bảng 3.8: Độ chính xác GA_Kernel k-NN và công bố trên DLBCL ................ 40


Danh mục viết tắt

STT

Thuật ngữ

Từ viết tắt

1

Nearest Neighbors

NN

2

Genetic Algorithms

GA


8

Random Forest

RF

9

Proximity Measure - Support Vector Machine

Rfprox-SVM


1

Giới thiệu
Khoa học kỹ thuật phát triển, đi cùng với nó là sự phát triển không ngừng
của dữ liệu về kích thước và chủng loại. Nhiệm vụ khai phá dữ liệu nói chung
cũng như nghiên cứu các thuật toán phân lớp nói riêng trở nên ngày càng bức
thiết và đóng vai trò trung tâm trong việc giải quyết các bài toán cụ thể. Thực tế
cho thấy, chúng ta chỉ có thể tìm ra một số thuật toán phù hợp với một số loại dữ
liệu cụ thể và bị giới hạn về kích thước dữ liệu. Kết quả của thuật toán phụ thuộc
rất nhiều vào việc xử lý dữ liệu thô. Trong khai phá dữ liệu, phương pháp trích
chọn đóng vai trò quan trọng trong tiền xử lý số liệu, đặc biệt đối với ngành tin
sinh học, xử lý dữ liệu âm thanh, hình ảnh, dữ liệu mạng xã hội... Đặc điểm
chung của những lĩnh vực này là kích thước rất lớn (hàng trăm, hàng trăm nghìn
thuộc tính) nhưng chỉ một số ít thuộc tính có giá trị dùng để phân tích. Trích
chọn thuộc tính giúp tìm ra các thuộc tính có ích, loại bỏ các thuộc tính dư thừa.
Phương pháp tác động trực tiếp đến kết quả của thuật toán như tăng tốc độ xử lý,

và Kernel k-NN trả về kết quả của hàm mục tiêu trong GA. Hay nói một cách
khác, GA đã chọn một tập thuộc tính được coi là tốt nhất trong quần thể các
thuộc tính, tập thuộc tính tốt được hiểu trong ngữ cảnh hiện tại là các thuộc tính
được trích chọn giúp phân lớp tốt nhất dựa trên kết quả của hàm tính khoảng
cách trong thuật toán Kernel k-NN. GA đã giúp tăng độ chính xác phân lớp nhờ
việc tối ưu dữ liệu đầu vào cho thuật toán Kernel k-NN.
Nội dung của luận văn được chia thành các chương như sau:
Chương 1: Giới thiệu Khai phá dữ liệu
Chương 2: Cơ sở lý thuyết.
Chương 3: Mô hình GA_Kernel k-NN và kết quả thực nghiệm.
Kết luận: Tóm lược kết quả đạt được của luận văn.


3

Chương 1. Giới thiệu Khai phá dữ liệu
1.1. Tổng quan Khai phá dữ liệu
Khai phá dữ liệu là một khái niệm ra đời cuối những năm 80 của thế kỷ
trước. Nó bao hàm một loạt các kỹ thuật nhằm phát hiện các thông tin có giá trị
tiềm ẩn trong dữ liệu lớn.Về bản chất, khai phá dữ liệu liên quan đến việc phân
tích các dữ liệu và sử dụng các kỹ thuật để tìm ra các mẫu hình có tính chính
quy trong tập dữ liệu. Năm 1989, Fayyad, Piatestsky-Shapiro và Smyth đã
dùng khái niệm phát hiện tri thức trong cơ sở dữ liệu (Knowledge
Discovery in Database – KDD) để chỉ toàn bộ quá trình phát hiện các tri thức
có ích từ các tập dữ liệu lớn [11]. Trong đó, khai phá dữ liệu là một bước đặc
biệt trong toàn bộ quá trình, sử dụng các giải thuật đặc biệt để chiết xuất ra các
mẫu hay các mô hình từ dữ liệu.
Ở một góc độ nào đó, khái niệm khai phá dữ liệu và khai phá tri thức
nhiều khi được coi là một. Tuy nhiên, nếu xét kỹ thì khai phá dữ liệu chỉ là
một khâu quan trọng trong khai phá tri thức. Một quá trình phát hiện tri thức


Làm sạch và
tích hợp

Kho dữ
liệu

Mẫu
Dữ liệu
chuyển
dạng

Dữ liệu
Hình 1.1: Quá trình phát hiện tri thức trong cơ sở dữ liệu
Một số phương pháp khai phá dữ liệu tiêu biểu:
 Phân lớp (Classification) : Khai thác một hàm đã được huấn luyện
trước để phân loại một đối tượng dữ liệu vào một trong các lớp được
định nghĩa trước.
 Hồi qui (Regression) : Khai thác một hàm đã được huấn luyện trước
để ánh xạ một đối tượng dữ liệu thành một giá trị thực là kết quả dự
báo.
 Phân cụm (Clustering) : Giải quyết vấn đề tìm kiếm, phát hiện số
lượng hữu hạn các cụm mô tả một tập hợp dữ liệu ban đầu không có
nhãn. Đó là quá trình tìm cách nhóm các đối tượng đã cho vào các
cụm, sao cho các đối tượng trong cùng một cụm tương tự nhau
(similar), và các đối tượng khác cụm thì không tương tự nhau
(dissimilar).


5

được trình bày trong các tài liệu [3, 13]. Lược đồ thực hiện [2] được giản hóa
trong hai hình vẽ dưới đây.


6

Dữ liệu

Thuật toán
phân lớp

Trích lọc tập con của danh
sách các thuộc tính

Hình 1.2 : Hướng tiếp cận Filter
Theo mô hình Filter, các thuộc tính được chọn độc lập với thuật toán khai phá
dữ liệu. Ngược lại, mô hình Wrapper các thuộc tính được chọn phụ thuộc theo
một nghĩa nào đó với thuật toán khai phá dữ liệu

Dữ liệu
huấn
luyện

Tìm kiếm thuộc tính
Tập thuộc tính
lựa chọn

Đánh giá kết quả

Dữ liệu

nào đó, rồi chọn ra tập con các thuộc tính được đánh giá cao nhất. Nhìn
chung, Filter coi tiến trình của trích chọn thuộc tính như tiến trình thực thi
trước, sau đó mới sử dụng thuật toán để phân lớp.
Mô hình Wrapper sử dụng một thuật toán tìm kiếm để đánh giá tập con các
thuộc tính coi như là một nhóm hơn là một cá thể riêng lẻ. Cốt lõi của mô hình
Wrapper là một thuật toán máy học cụ thể. Nó đánh giá độ tốt của những tập
con đặc trưng tùy theo độ chính xác học của tập con, điều này xác định thông
qua một tiêu chí nào đó. Những thuật toán tìm kiếm cũng sử dụng hàm đánh
giá kinh nghiệm (heuristics) để hướng dẫn việc tìm kiếm tập trung vào các
đối tượng có triển vọng.
Công việc cần thực hiện trong thuật toán trích chọn bao gồm :


7

- Phương pháp để sinh ra tập thuộc tính đặc trưng : (Có thể hiểu tương ứng
với các chiến lược tìm kiếm). Đầu ra của bộ sinh sẽ xác định thuật toán trích
chọn đặc trưng. Có hai chiến lược để sinh tập con :
 Đầy đủ (Complete) : Áp dụng chiến lược tìm kiếm vét cạn để sinh
tập con. Đối với hầu hết các hệ thông máy thực, chiến lược này
không phù hợp do đỏi hỏi tài nguyên quá lớn
 Kinh nghiệm (Heuristically) : Để giảm bớt không gian tìm kiếm, kết
quả thu được ở mức chấp nhận được, chiến lược sinh tập con đặc
trưng dựa vào kinh nghiệm nào đó, có ba kỹ thuật điển hình là lựa
chọn tiến (Forward Selection), lược bỏ lùi (Backward Elimination)
và lựa chọn hai hướng (Bi – direction Selection).
- Định nghĩa hàm đánh giá : (đưa ra các tiêu chí để có thế xác định một thuộc
tính hay nhóm thuộc tính là tốt hay không tốt). Bộ đánh giá của những mô hình
thuật toán khác nhau là khác nhau. Bộ đánh giá mô hình Filter thường là các
hàm đánh giá, trong khi mô hình Wrapper là độ học chính xác đạt được bởi quá

Từ việc tính toán khoảng cách các điểm, tính độ lệch chuẩn, phương sai của biến
ngẫu nhiên cho đến các công cụ xa hơn là các công cụ phân tích tương quan,
phương sai, phân tích các yếu tố (tạm dịch từ factor analysis), phân tích các
thành phần trọng yếu (tạm dịch từ principal component analysis), phân tích cụm
(tạm dịch từ cluster analysis)… đều dựa trên khái niệm khoảng cách.
Ngoài ra khoảng cách cũng không chỉ đơn giản là độ dài đường nối điểm
này tới điểm kia, là sự xa và gần như thông thường vẫn dùng, khoảng cách còn
có khoảng cách giàu nghèo, khoảng cách học vấn ... nhìn chung khoảng cách
còn nên được hiểu rộng hơn như là sự khác biệt (difference), đôi khi còn được
xem là lỗi (error). Sự khác biệt ấy thể hiện cũng không giống nhau tùy theo đơn
vị đo, không gian, cách thức đo, tính định lượng hay ước lượng thống kê. Theo
tôi, khoảng cách là khái niệm có thể xem là cốt lõi của nhiều chủ đề như tìm
kiếm, phân loại, nhận dạng ...

2.1.2. Thuật toán Láng giềng gần nhất (NN)
Thuật toán Láng giềng gần nhất (NN) là một trong những thuật toán đầu
tiên được dùng để tìm lời giải cho bài toán người báng hàng. Bài toán được đưa
ra đầu tiên năm 1930 và là một trong những bài toán được nghiên cứu sâu nhất
trong tối ưu hóa (tiếng anh : Travelling salesman problem). Bài toán được phát
biểu như sau : Cho trước một danh sách các thành phố và khoảng cách giữa
chúng, tìm chu trình ngắn nhất thăm mỗi thành phố đúng một lần. Trong khoa
học máy tính, bài toán người bán hàng là một vấn đề cơ bản và có rất nhiều ứng
dụng, phương pháp trực tiếp nhằm tìm ra lời giải phổ biến là kiểm tra tất cả các


9

tổ hợp. Tuy nhiên, trên thực tế phương pháp này không khả thi bởi, nếu lấy mẫu
chỉ gồm 20 thành phố thì sẽ có gần 60,8 triệu tỉ phép so sánh để tìm ra hành
trình có lợi nhất.Thuật toán NN thường cho kết quả chênh lệch trong phạm vi


10

trong các hàm tính khoảng
ảng cách sau : hàm Euclidean, hàm Minkowski và hàm
Mahalanobis
Ví dụ
ụ minh họa thuật toán kNN : trong một không gian quan sát k=5, cần
gán nhãn cho đối tượng
ợng x (hình tròn ?), xét các đối tượng
ợng thuộc hai lớp
lớp, minh
họa lớp dương (+) là hình tròn có dấu
d cộng và lớp âm làà hình tròn có ddấu trừ (-).

Hình 2.1: Ví d
dụ về thuật toán kNN

Trong 5 láng giếng
ếng gần nhất của đối ttượng cần phân lớp x có ba đối
đ tượng quan
sát thuộc lớp âm (-), và hai đối tượng quan sát thuộc lớp dương
ương (+). Như vậy
v x
sẽ được gán nhãn là lớp
ớp âm (-).

2.1.4. Thuật toán Đánh trọng
tr
số k-Láng giềng

ực tiếp để quyết định nhãn
nh lớp cho x.


11

- Chiến lược đánh trọng số cho các láng giềng
Việc biến đổi từ giá trị khoảng cách sang giá trị trọng số được thực hiện
thông qua một hàm trọng số f(.). Hàm f(.) là hàm của biến khoảng cách d, nhận
đầu vào là giá trị khoảng cách d, đầu ra là giá trị trọng số w = f(d).
Hàm f(d) phải thỏa mãn các tính chất sau:
 f(d) ≥ 0 ∀

∈ R.

 f(d) đạt giá trị cực đại khi d = 0.
 f(d) là hàm giảm nghiêm ngặt với d → ±∞. Tức f(d1) ≤ f(d2) ∀
Một số hàm trọng số tiêu biểu được mô tả trong Bảng 2.1 dưới đây:
Tên hàm

Công thức tương ứng
15
(1 −
16

Biweight

( )=

Cosine


)

(| | ≤ 1)
(| | ≤ 1)

2

1
√2

)

exp −

(| | ≤ 1)

2

1
| |
1
2

35
(1 −
32

(| | ≤ 1)
)

=

,
,

(

()
)

với

+

= 1, … ,

(2.1)

là khoảng cách từ láng giềng thứ i đến x.
)

là khoảng cách từ láng giềng thứ k+1 đến x.

> 0 là một hằng số có giá trị rất nhỏ được dùng để đảm bảo
,

()

< 1. Nếu không dùng



=
=

=

(2.2)


13

Có thể coi hai thuật toán kNN và NN là các trường hợp đặc biệt của thuật
toán WkNN. Ta có kết quả của thuật toán kNN nếu chọn sử dụng hàm trọng số
Rectangular. Và có kết quả của thuật toán NN nếu chọn k = 1, với mọi lựa chọn
của hàm trọng số.
Mục đích chính của phương pháp này là xây dựng được một kỹ thuật trong
đó đạt tới một cấp độ tương đối độc lập với việc lựa chọn giá trị tham số k, với
kNN thì việc chọn sai giá trị của k sẽ dẫn đến tỉ lệ phân lớp sai lớn. Số lượng các
láng giềng gần nhất hoàn toàn được ẩn đi với việc sử dụng các trọng số: nếu k có
giá trị quá lớn, nó sẽ tự động được điều chỉnh xuống một giá trị thấp hơn. Trong
trường hợp này, một số nhỏ các láng giềng có trọng số lớn sẽ lấn át các láng
giềng khác.
- Thuật toán WkNN được mô tả tổng quan ở dưới đây:
Bước 1: Đặt L = {(yi, xi), i = 1,…, nL } là tập tham chiếu chứa các đối
tượng quan sát xi với nhãn lớp tương ứng yi. Giả sử ta cần phán
đoán nhãn lớp y của một đối tượng quan sát mới x.
Bước 2: Tìm k+1 láng giềng gần nhất của x dựa vào một hàm khoảng cách
d(x, xi). Ở đây dùng hàm khoảng cách Minkowski:

,

()

()

=

(2.5)

Nhìn chung có thểể coi các ph
phương pháp WkNN và kNN là các phương
pháp bầu
ầu cử nhóm: một số bộ phân lớp tiềm năng (các láng giềng gần nhất)
được kết hợp lại và thực
ực hiện một cuộc bầu cử đa số thắng, v
và kết
ết quả này
n được
dùng để thực hiện gán nhãn
nhãn.
Ví dụ
ụ minh họa thuật toá
toán WkNN : giống như ví dụ
ụ minh họa của thuật
toán kNN, nhưng bổ
ổ xung thêm
th
tham sốố thể hiện giá trị khoảng cách từ đối
tượng cần gán nhãn
ãn x (hình tròn ?) đến các đôi tượng thuộc lớp dương
ương ((+) và các

ổng trọng số của lớp dương
d
là: 0.73 + 0.71 = 1.44


15

Tổng trọng số của lớp âm là: 0.33 + 0.34 + 0.35 = 1.02
Như vậy x sẽ được phán đoán thuộc về lớp dương (+) vì lớp này có tổng
trọng số lớn nhất.
Qua ví dụ này ta thấy có sự khác biệt rõ ràng trong kết quả phán đoán của
WkNN và kNN. Nếu sử dụng bộ phân lớp kNN thì x sẽ được phán đoán thuộc về
lớp âm (-) vì đây là lớp chiếm đại đa số trong 5 láng giềng gần nhất của x.
Nếu sử dụng bộ phân lớp WkNN thì x có kết quả ngược lại.

2.1.5. Thuật toán Hàm nhân k-Láng giềng gần nhất (Kernel k-NN)
- Tổng quan
Thuật toán kNN đã cho kết quả tốt trong nhiều bài toán thực tế. Tuy nhiên,
với các bài toán chạy trên dữ liệu phi tuyến phức tạp, nơi dữ liệu phân bố tương
đối tùy ý, nó thường cho kết quả khá tồi. Từ thực trạng đó, năm 2002, nhóm tác
giả Kai Yu, Liang Ji, và Xuegong Zhang, tiếp cận theo hướng sử dụng hàm nhân
(Kernel) để cải tiến độ chính xác của thuật toán kNN trên không gian phi tuyến
[12]. Về bản chất, Kernel k-NN dùng một hàm phi tuyến ánh xạ các mẫu dữ liệu
trong không gian ban đầu sang một không gian đặc trưng mới, rồi thực hiện
thuật toán kNN trên không gian đặc trưng mới đó. Điểm mấu chốt của phương
pháp này là dựa vào việc sử dụng một hàm nhân để tính phép nhân trong (inner
product) của các vectơ là ảnh của các mẫu dữ liệu ban đầu qua phép ánh xạ. Nếu
chọn được một hàm nhân phù hợp thì hiệu quả của thuật toán kNN có thể được
cải thiện đáng kể.
Ta xét trường hợp ánh xạ một không gian n-chiều sang một không gian đặc

,

∈

ta có:

, và

(i =


16

( , ) = 〈 ( ), ( )〉

(2.6)

Trong đó 〈 ( ), ( )〉 biểu diễn phép nhân trong của ( ) và ( ), ( , ) là
một hàm của x và y.
Việc định nghĩa một hàm nhân như công thức (2.6) ở trên dẫn đến phép
nhân trong trong không gian đặc trưng mới có thể được tính mà không cần thực
sự thực hiện phép ánh xạ . Ba hàm nhân được mô tả trong Bảng 2.2 dưới đây
thường được sử dụng rộng rãi:
Tên hàm

Công thức tương ứng

Polynomial

( , ) = (1 + 〈 , 〉)

17

( , )=‖ − ‖

(2.7)

Để sử dụng thuật toán kNN trong không gian đặc trưng mới, ta cần tính
khoảng cách chuẩn trong không gian đó. Sử dụng (2.6) và (2.7) ta có:
( ), ( ) = ‖ ( ) − ( )‖
= 〈 ( ), ( )〉 − 2〈 ( ), ( )〉 + 〈 ( ), ( )〉
=

( , )−2 ( , )+ ( , )

(2.8)

Như vậy khoảng cách chuẩn trong không gian đặc trưng mới có thể được
tính bằng cách sử dụng một hàm nhân và các vectơ dữ liệu trong không gian
mẫu ban đầu mà không cần xác định và thực hiện phép ánh xạ . Sau khi xác
định được hàm đo khoảng cách ở công thức (2.8), ta có thể dễ dàng thực hiện
thuật toán kNN trên không gian đặc trưng mới.
- Dữ liệu và việc tính phép nhân trong (inner product)
Con người mô tả thế giới dưới dạng thông tin, thông tin cần được lưu trữ
và xử lý để đem lại tri thức. Bản chất thông tin là nhiều chiều nên vector và ma
trận ra đời để hỗ trợ cho quá trình tiếp nhận, trao đổi thông tin của con người. Ví
dụ : để mô tả vị trí một điểm trên một đường thẳng, ta chỉ cần một giá trị khoảng
cách của điểm đó đến một điểm được chọn làm gốc, lúc này ta chỉ cần một
vector có một phần tử. Nếu điểm đó nằm trên một mặt phẳng, ta cần có một hệ
trục tọa độ (gồm hai trục x và y) và vị trí điểm đã cho được xác định dựa trên
khoảng cách của nó đến hai trục tọa độ đó. Lúc này ta cần một vector hai chiều