TAILIEUCHUNG - DATA MINING AND APPLICATION: BÀI TOÁN KHAI THÁC

QUI TRÌNH B0 : cây FP B1 : (conditional pattern bases) cho nút trên cây FP). B2 : cây FP (conditional FP tree) B3 : Khai thác qui cây FP và phát cho khi cây FP 1 duy ra các | I III _ KHAI THÁC DỮ LIỆU ỨNG DỤNG DATA MINING GV NGUYỄN HOÀNG TỦ ANH 1 Q BÀ 3 -PHẦN 2 KHAI THÁC TẬP PHÔ BIẾN LUẬT KẾT HỢP 2 1 nôidung GIỚI THIỆU 1 Bài toán khai thác tập phồ biến là bài toán rất quan trọng lĩnh vực KTDL vạch ra tính M chất ẩn quan trọng của tập DL Tất cả các tập con của tập phổ biến đều là tập phổ biến Tập phổ biến tối đại tập bao phổ biến Bài toán khai thác LKH là bài toán tìm tất cả các luật dạng X Y X Y c I và XqY thỏa mãn độ phổ biến và độ tin cậy tối thiểu a supp XY minsupp conf XY minconf 4 2 GIỚI THIỆU Bài toán khai thác tập phổ biến là bài toán tìm tất cả các tập các hạng mục S hay tập phổ biến S có độ phổ biến thỏa mãn độ phổ biến tối thiểu minsupp supp S minsupp Btf Cách giải quyết dựa trên tính chất của tập phổ biến Tìm kiếm theo chiều rộng Thuật toán Apriori 1994 Phát triển mẫu Thuật toán FP-Growth 2000 Tìm kiếm trên CSDL hàng dọc Thuật toán Charm 2002 GIỚI THIỆU__ I Các hạn chế của Thuật toán Apriori I Phải duyệt CSDL nhiều lần I Khi khai thác các mẫu dài cần duyệt CSDL nhiều lần và tạo lượng lớn tập ứng viên HH Ví dụ Để tìm tập phổ biến i1 i2. i100 Số lần duyệt CSDL 100 Số lượng ứng viên 2100-1 1030 ỗ Vấn đề tạo ứng viên và kiểm tra CÓ thể tránh việc tạo ứng viên hay không 6

• Cơ sở dữ liệu
• Bài giảng Khai thác dữ liệu và ứng dụng
• giáo trình bài giảng
• giáo án thực hành
• bài tập thực hành
• đồ án cuối kỳ
• Xây dựng bản đồ ngập lụt
• Thượng nguồn các sông ở Huế
• Đặc điểm về lũ
• Xây dựng mô hình Mike Flood
• Phương thức cảnh báo ngập lụt
• Phương án phòng chống thiên tai
• dữ liệu và ứng dụng
• mã hóa dữ liệu