TÌM HIỂU VỀ MICROSOFT SEQUENCE CLUSTERING TRÊN SQL SERVER 2008

Khai thác dữ liệu là một bước trong quy trình phát hiện tri thức gồm có các thuật toánkhai thác dữ liệu chuyên dùng dưới một số quy định về hiệu quả tính toán chấp nhận được đểtìm ra các

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

CHƯƠNG TRÌNH ĐÀO TẠO THẠC SĨ CNTT QUA MẠNG

BÀI THU HOẠCH

TP.HCM, ngày 17 tháng 11 năm 2012

Mục lục

TP.HCM, ngày 17 tháng 11 năm 2012 1

2

Mục lục 2

CHƯƠNG 1: TỔNG QUAN VỀ KHAI THÁC DỮ LIỆU 3

1.1Giới thiệu chung 3

1.2 Các khái niệm và phương pháp khai thác dữ liệu trong Microsoft SQL 2008 4

1.3 Qui trình khám phá tri thức (Knowledge Discovery in DB) 6

1.4 Tiến trình khai phá dữ liệu 7

1.5 Các dạng dữ liệu có thể khai thác dữ liệu 8

1.6 Ứng dụng của khai thác dữ liệu 8

CHƯƠNG 2: MICROSOFT SEQUENCE CLUSTERING 10

2.1 Giới thiệu Microsoft Sequence Clustering 10

2.2 Các nguyên tắc của Microsoft Sequence Clusterings 12

2.2.1 Hoạt động của thuật toán 12

2.2.2 Các thông số trong thuật toán 13

2.3 Cách sử dụng thuật toán Microsoft Sequence Clustering 16

2.3.1 Nội dung mô hình 16

2.3.2 Phân tích mô hình 17

2.4 Demo 20

Tài liệu tham khảo 29

CHƯƠNG 1: TỔNG QUAN VỀ KHAI THÁC DỮ LIỆU

1.1 Giới thiệu chung

Sự phát triển nhanh chóng các ứng dụng công nghệ thông tin (CNTT) và Internet vàonhiều lĩnh vực đời sống xã hội, quả lý kinh tế, khoa học kỹ thuật … đã tạo ra nhiều cơ sở dữliệu (CSDL) khổng lồ Ví dụ CSDL bán hàng của siêu thị Co-op mark với hàng triệu giao tácbán hàng; CSDL của công ty tài chính với hàng triệu khách hàng và dữ liệu liên quan đến quátrình trả lãi, nợ, v.v Để khai thác hiệu quả nguồn thông tin từ các CSDL lớn hỗ trợ tiến trỉnh

ra quyết định, bên cạnh các phương pháp truyền thống, các nhà nghiên cứu đã phát triển cácphương pháp, kỹ thuật và phần mềm hỗ trợ tiến trình khám phá, phân tích tổng hợp thông tin

Trong những năm gần đây, một lĩnh vực mới nghiên cứu và ứng dụng về phát hiện tri

thức (Knowledge Discovery) và khai thác dữ liệu (Data Mining) là một bước đột phá trong

việc tìm kiếm và sử dụng thông tin một cách hữu ích nhất

Trong quá trình sử dụng, người ta phát hiện tri thức trong các cơ sở dữ liệu (các mẫuhoặc mô hình dữ liệu) có rất nhiều thông tin khả ích, mới và có thể hiểu được

Khai thác dữ liệu là một bước trong quy trình phát hiện tri thức gồm có các thuật toánkhai thác dữ liệu chuyên dùng dưới một số quy định về hiệu quả tính toán chấp nhận được đểtìm ra các mẫu hoặc các mô hình dữ liệu đang tồn tại trong các cơ sở dữ liệu nhằm khai thácthông tin một cách triệt để nhưng vẫn còn bị che khuất bởi một khối dữ liệu lớn

Khai thác dữ liệu là quá trình tìm kiếm các mẫu mới, những thông tin tiềm ẩn mang tính

dự đoán trong các khối dữ liệu lớn Những công cụ khai thác dữ liệu có thể dự đoán những xuhướng trong tương lai, các tri thức mà khai thác dữ liệu mang lại giúp cho các công ty kinhdoanh ra các quyết định kịp thời và có thể trả lời những câu hỏi trong lĩnh vực kinh doanh màtrước đây tốn nhiều thời gian để xử lý Sự phân tích một cách tự động và mang tính dự báo củakhai thác dữ liệu có ưu thế hơn hẳn so với phân tích thông thường dựa trên những sự kiệntrong quá khứ của các hệ hỗ trợ ra quyết định (decision support systems – DSSs) trước đây.Với tất cả các ưu điểm trên, Khai thác dữ liệu đã chứng tỏ được tính hữu dụng của nó trongmôi trường kinh doanh đầy tính cạnh tranh ngày nay và được ứng dụng rộng rãi trong các lĩnhvực thương mại, tài chính, điều trị y học, giáo dục, viễn thông,…

Khai thác dữ liệu là sự kết hợp của nhiều ngành như: cơ sở dữ liệu, hiển thị dữ liệu, họcmáy, trí tuệ nhân tạo, lý thuyết thông tin, xác suất thống kê, tính toán hiệu năng cao, và cácphương pháp tính toán mềm, Khai thác dữ liệu được định nghĩa là quá trình tìm kiếm những

thông tin (tri thức) có ích, tiềm ẩn và mang tính dự đoán trong các khối cơ sở dữ liệu lớn Một

số nhà khoa học xem khai thác dữ liệu như là một cách gọi khác của một thuật ngữ cũng rất

thông dụng là Khám phá tri thức trong cơ sở dữ liệu (Knowledge Discovery in Databases –

KDD), vì cho rằng mục đích của quá trình khám phá tri thức là thông tin và tri thức có ích,nhưng đối tượng mà chúng ta phải xử lý rất nhiều trong suốt quá trình khám phá tri thức lạichính là dữ liệu Một số nhà khoa học khác thì xem khai thác dữ liệu như là một bước chínhtrong quá trình khám phá tri thức

1.2 Các khái niệm và phương pháp khai thác dữ liệu trong Microsoft SQL 2008

Khai thác dữ liệu được mô tả như là quá trình lấy các thông tin hợp lệ, xác thực từ các cơ

sở dữ liệu lớn Các mẫu dữ liệu được lấy và xu hướng đang tồn tại trong dữ liệu Các mô hình

và các xu hướng có thể được thu thập lại với nhau và xác định như là một mô hình mỏ Môhình mỏ dữ liệu có thể được áp dụng cho các doanh nghiệp cụ thể như: Dự báo bán hàng, xácđịnh mục tiêu cụ thể về khách hàng qua thư (tìm hiểu nhu cầu, sở thích và những vấn đề màkhách hàng quan tâm qua các phương pháp khảo sát), xác định những sản phẩm sẽ có nhiềukhả năng được bán với nhau, quản lý rủi ro, chiến lược quảng cáo v.v

Một khái niệm quan trọng trong khai thác dữ liệu mà doanh nghiệp rất quan tâm là xâydựng một mô hình mỏ là một phần của một quá trình lớn hơn trong đó bao gồm tất cả mọi thứ

từ xác định các vấn đề cơ bản là mô hình sẽ giải quyết, để triển khai các mô hình thành mộtmôi trường làm việc Quá trình này có thể được xác định bằng cách sử dụng sáu bước cơ bảnsau đây:

1 Xác định các vấn đề

2 Chuẩn bị dữ liệu

3 Khám phá dữ liệu

4 Xây dựng mô hình

5 Khám phá và xác nhận hiệu lực của mô hình

6 Triển khai và cập nhật các mô hình

Quá trình được minh họa trong biểu đồ tròn Tạo ra một mô hình dữ liệu mỏ và năngđộng là một quá trình lặp đi lặp lại Sau khi khám phá những dữ liệu, có thể thấy rằng những

dữ liệu là đủ để tạo ra các mô hình thích hợp mỏ, và do đó mà cần phải xem xét để có thêm dữliệu Chúng ta có thể xây dựng một số mô hình và nhận thấy rằng những khách hàng không trảlời những vấn đề mà chúng ta đặt ra, vì vậy mà chúng ta phải xác nhận lại thông tin Nhờ vậy

mà có thể cập nhật các mô hình đã được triển khai nhiều dữ liệu hơn Vì vậy, điều quan trọng

để hiểu rằng việc tạo một mô hình mỏ dữ liệu là một quá trình và mỗi bước trong quá trình này

có thể được lặp lại nhiều lần để tạo ra một mô hình tốt

SQL Server 2008 cung cấp một môi trường tích hợp để tạo ra và làm việc với mô hìnhkhai thác dữ liệu, gọi là Business Intelligence Development Studio Môi trường này bao gồmcác thuật toán khai thác dữ liệu và các công cụ mà làm cho việc xây dựng giải pháp toàn diệnmột cách dễ dàng cho các dự án khác nhau

Thuật toán của Microsoft SQL Server 2008 (SSAS) bao gồm các thuật toán sau đây:

• Microsoft Decision Trees Algorithm

• Microsoft Clustering Algorithm

• Microsoft Naive Bayes Algorithm

• Microsoft Association Algorithm

• Microsoft Sequence Clustering Algorithm

• Microsoft Time Series Algorithm

• Microsoft Neural Network Algorithm (SSAS)

• Microsoft Logistic Regression Algorithm

• Microsoft Linear Regression Algorithm

1.3 Qui trình khám phá tri thức (Knowledge Discovery in DB)

Bước 1: Tìm hiểu lĩnh vực và ứng dụng bài toán, quyết định cho việc rút ra được các tri thức

hữu ích và cho phép chọn các phương pháp KTDL thích hợp với mục đích ứng dụng và bảnchất của dữ liệu

Bước 2: Thu thập và xử lý thô, còn gọi là tiền xử lý dữ liệu nhằm loại bỏ nhiễu, xử lý việc

thiếu dữ liệu, biến đổi dữ liệu và rút gọn dữ liệu, bước này thường chiếm nhìu thời gian nhấttrong toàn bộ quá trình

Bước 3: Khai thác dữ liệu là một bước quan trọng trong qui trình, trích ra các mẫu hoặc các

mô hình ẩn dưới các dữ liệu

Bước 4: Hiểu tri thức đã tìm được, đặc biệt là làm sáng tỏ các mô tả và dự đoán Các bước trên

có thể lặp di lặp lại một số lần, kết quả thu được lấy trung bình trên tất cả các lần thực hiện

Hình 1.1: Qui trình khám phá tri thức

1.4 Tiến trình khai phá dữ liệu

Trích chọn dữ liệu (data selection): là bước trích chọn những tập dữ liệu cần được khai

thác từ các tập dữ liệu lớn (databases, data warehouses)

Tiền xử lý dữ liệu (data preprocessing): là bước làm sạch dữ liệu (xử lý dữ liệu không

đầy đủ, dữ liệu nhiễu, dữ liệu không nhất quán, …), rút gọn dữ liệu (sử dụng các phương phápthu gọn dữ liệu, histograms, lấy mẫu, … ), rời rạc hoá dữ liệu (dựa vào histograms, entropy,phân khoảng, … ) Sau bước này, dữ liệu sẽ nhất quán, đầy đủ, được rút gọn, và được rời rạchoá

Biến đổi dữ liệu (data transformation): là bước chuẩn hoá và biến đổi dữ liệu để đưa dữ

liệu về dạng thuận lợi nhất (gom nhóm tất cả những dữ liệu riêng lẻ thành một cơ sở dữ liệu)nhằm phục vụ cho các kỹ thuật khai thác ở bước sau

Khai thác dữ liệu (data mining): đây là bước quan trọng và tốn nhiều thời gian nhất của

quá trình khám phá tri thức, áp dụng các kỹ thuật khai thác (phần lớn là các kỹ thuật củamachine learning) để khai thác, trích chọn được các mẫu (pattern) thông tin, các mối liên hệđặc biệt trong dữ liệu

Đánh giá và biểu diễn tri thức (knowledge representation & evaluation ): Dùng các kỷ

thuật hiển thị dữ liệu để trình bày các mẫu thông tin (tri thức) và mối liên hệ đặc biệt trong dữliệu đã được khai thác ở bước trên biểu diễn theo dạng gần gũi với người sử dụng như đồ thị,cây, bảng biểu, luật,

Hình 1.2: Tiến trình khai phá dữ liệu

1.5 Các dạng dữ liệu có thể khai thác dữ liệu

Khai thác dữ liệu có khả năng chấp nhận một số kiểu dữ liệu khác nhau

điển hình như sau: Cơ sở dữ liệu quan hệ (relational databases): là các dữ liệu tác nghiệp

được tổ chức theo mô hình dữ liệu quan hệ rất phổ biến trong ngành viễn thông, do hầu hết các

hệ quản trị cơ sở dữ liệu đều hỗ trợ dạng cơ sở dữ liệu quan hệ như Oracle, MS SQL Server,IBM DB2, MS Access,…

Cơ sở dữ liệu đa chiều (multidimention structures, data warehouses, data

mart): là các kho dữ liệu được tập hợp và chọn lọc từ nhiều nguồn dữ liệu khác nhau Dạng dữ

liệu này chủ yếu phục vụ cho quá trình phân tích cũng như khai phá tri thức và hỗ trợ quá trình

ra quyết định

Cơ sở dữ liệu giao tác (transactonal databases): đây cũng là dạng dữ liệu tác nghiệp có

các bản ghi thường là các giao tác Dạng dữ liệu này cũng phổ biếnhiện nay trong đó có ngànhbưu chính

Cơ sở dữ liệu quan hệ – hướng đối tượng (object relational databases: là dạng dữ liệu lai

giữa hai mô hình quan hệ và hướng đối tượng

Dữ liệu không gian và thời gian (spatial, temporal, and time-series data): là dạng dữ liệu

có tích hợp thuộc tính về không gian như dữ liệu bản đồ mạng cáp điện thoại hoặc thời giannhư dữ liệu cước điện thoại, phát hành báo chí

Cơ sở dữ liệu đa phương tiện (Multimedia database) : là dạng dữ liệu âm thanh (audio),

hình ảnh (video), Text & WWW, v v Dạng dữ liệu này đang rất phổ biến trên internet và lưutại các web server của các đơn vị trực thuộc ngành bưu điện

1.6 Ứng dụng của khai thác dữ liệu

Khai thác dữ liệu có nhiều ứng dụng trong thực tế Một số ứng dụng điển hình 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, dữliệu thẻ tín dụng, phát hiện gian lận

* Thương mại điện tử: Công cụ tìm hiểu, định hướng, thúc đẩy, giao tiếp với khách hàng; phântích khách hàng duyệt web; phân tích hàng vi mua sắm trên mạng và cho biết thông tin tiếp thịphù hợp với loại khách hàng trong một phân khu thị trường nhất định

* Phân tích dữ liệu và hỗ trợ ra quyết dịnh.

* Điều trị y học và Chăm sóc y tế: Một số thông tin về chuẩn đoán bệnh lưu trong các hệ thốngquản lý bệnh viện Phân tích mối liên hệ giữa triệu chứng bệnh, chuẩn đoán và phương phápđiều trị (chế độ dinh dưỡng, thuốc )

* Sản xuất và chế biến: Qui trình, phương pháp chế biến và xử lý xử cố * Text mining & Webmining: 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 sánhcác 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, chấtlượng dịch vụ,

CHƯƠNG 2: MICROSOFT SEQUENCE CLUSTERING

2.1 Giới thiệu Microsoft Sequence Clustering

Giả sữ rằng bạn là một người quản lý kinh doanh một Website bán hàng trực tuyến Baogốm rất nhiều chủng loại và mặt hàng Hàng ngày có hàng ngàn lượt truy cập từ nhiều nơikhác nhau đến Website Bạn có thể biết được những chủng loại và mặt hàng nào được nhiềukhách hàng quan tâm nhất và trình tự duyệt mua sản phẩm Từ đó có thể tùy biến lại giao diệnwebsite, sắp xếp lại các mặc hàng cho phù hợp với từng khách hàng, tiện lợi cho khách hàngđồng thời mang lại hiệu quả kinh doanh tốt hơn Hoặc có thể biết được trình tự những trangweb nào được khách hàng ghé thăm trong chuổi duyệt web của khách hàng

Ví dụ: http://www.vinabook.com/

Dòng “Khách hàng mua cuốn sách trên cũng từng mua một trong những cuốn sách dưới đây”

Thể hiện trình tự mua sách “Hẹn Với Mắt Cười” sẽ mua sách kế tiếp là một trong những cuốnsách bên dưới

Web demo:

Như tên “Sequence Clustering” cho thấy: thuật toán là sự kết hợp giữa kỹ thuật gomnhóm (Clustering) và trình tự (sequence) Nó được thiết kế để phân tích sự phổ biến của cáctrường hợp chứa các “dữ liệu trình tự” và “gom nhóm” vào những trường dựa trên sự giốngnhau của những trình tự

Một trình tự (sequence) là một chuỗi các sự kiện (state) rời rạc, riêng biệt Thường sốlượng các state là hữu hạn.Trong thực tế, chuổi dữ liệu rất phổ biến Rất nhiều thông tin được

mã hoá vào duối dạng chuổi trình tự Ví dụ: Chuổi AND là trình tự của các nucleotide ađêlin(A) timin(T) guanin(G) xitôgin(X) Chuổi Click chuộtvào đường link của người dùng trênmột website.…

Thuật toán này tương tự với thuật toán Microsoft Clustering Tuy nhiên, thay vì tìm kiếmcác nhóm trường hợp chứa các thuộc tính tương tự nhau, thuật toán Microsoft SequenceClustering tìm kiếm các nhóm trường hợp chứa các đường dẫn tương tự nhau trong trình tự

Mô hình khai thác mà thuật toán này tạo ra bao gồm các mô tả của các trường hợp phổbiến nhất trong dữ liệu Bạn có thể sử dụng các mô tả này để dự đoán bước có khả năng tiếp

theo của trình tự mới Khi thuật toán nhóm ghi lại, nó cũng có thể coi như là các cột trong dữliệu mà không có liên quan trực tiếp đến các trình tự Vì thuật toán bao gồm các cột không cóliên quan, bạn có thể sử dụng mô hình kết quả để xác định mối quan hệ giữa dữ liệu trình tự và

dữ liệu không xảy ra trong trình tự

2.2 Các nguyên tắc của Microsoft Sequence Clusterings

2.2.1 Hoạt động của thuật toán

Thuật toán sử dụng phương pháp nhóm Expectation Maximization (EM) để xác định cácnhóm và trình tự của chúng Việc xử lý toàn diện của thuật toán này là:

1 Khởi tạo mô hình tham số nào đó (ngẫu nhiên)

2 Cho một số mô hình hiện nay, mỗi trường hợp được phân công mỗi

K cụm với một cài xác suất Đây là bước E

3 Đánh giá tham số mẫu dựa trên độ quan trọng của việc bố trí trong mỗi trường hợp Đây là bước M

4 Kiểm tra mô hình có đồng quy chưa, nếu không quay về bước 2

Xác suất của một thuộc tính trình tự x trong cluster C được tính bằng công thức:

P(x|C) = P(xL|xL-1)P(xL-1|xL-2) P(x2|x1)P(x1)

Trong đó: P(xj|xi) là xác suất chuyển tiếp từ trạng thái i sang j trong cluster C

Thuật toán Microsoft Sequence Clustering hỗ trợ cả thuộc tính trình tự và không trình tự.Thuộc tính không trình tự có thể các thuộc tính vô hướng hoặc lồng nhau Trình tự dữ liệuđược lưu trữ trong một bảng lồng nhau Chuỗi lồng nhau bảng phải chứa cột gọi là keysequence Cột này là khoá của trình tự Sequence key có thể là bất kỳ lọai dữ liệu nào mà cóthể được phân loại, như date, integer và string Trong một số trường hợp, dữ liệu của bạn cóthể có nhiều thuộc tính trình tự

Ví dụ, bạn có thể muốn nhóm khách hàng của bạn bằng một chuỗi các trang Web mà họviếng thăm, và một chuỗi các sản phẩm mà họ mua Tuy nhiên, nhiều trình tự trong một môhình duy nhất không được hỗ trợ trong SQL Server 2008

Có thể xây dựng một mô hình trình tự mà không cần dữ liệu trình tự Trong trường hợpnày, mô hình trở thành một mô hình clustering

 Sự phân chia nhóm:

Trong mô hình phân nhóm trình tự, khi số trạng thái trong trình tự lớn, có thể có nhiềunhóm riêng biệt Ví dụ, trong tiến trình duyệt web, có 60 URL Nhóm khách hàng đầu tiên chủ

yếu duyệt những trang news, nhóm thứ hai tập trung vào music & movies, và nhóm thứ bathích vào trang thời tiết Khi gom nhóm, ta lấy ra các nhóm và so sánh với mẫu nhóm khôngtrình tự Nó tương đối dễ dàng để làm rõ những mẫu này dựa trên trình tự thuộc tính củachúng.

Một bước trưong tiến trình gom nhóm trình tự là sự phân chia nhóm Nếu

người dùng chỉ định ra một số nhóm nhỏ và có những loại trình tự khác nhau trong một nhóm,thuật toán sẽ phân chia nhóm thành nhiều nhóm Ví dụ: nếu một nhóm chứa hai loại trình tự -Movie -> Music -> Download và New ->

News -> Weather – thuật toán sẽ tách nó ra thành hai nhóm

2.2.2 Các thông số trong thuật toán

 Tham số thuật toán:

- Cluster_Count: xác định số lượng nhóm chứa trong mô hình

Cluster_Count = 0: cho phép thuật toán tự động chọn số lượng nhóm tốt nhất cho mụcđích dự đoán

- Minimum_Support: Kiểu integer Xác định số lượng trường hợp nhỏ nhất trong mỗinhóm để tránh mỗi nhóm có quá ít trường hợp Giá trị mặc định là 10

- Maximum_states: Kiểu integer Xác định số lượng tối đa của những trạng thái cho thuộctính không tuần tự Nếu số lượng trạng thái của thuộc tính không tuần tự lớn hơn trị này,thuật toán sẽ sữ dụng thuộc tính trạng thái phổ nhất xữ lý các trạng thái còn lại là

Missing Giá trị mặc định là 100.

- Maximum_Sequence_States: Xác định số lượng trạng thái lớn nhất mà trình tự có thể có.Kiểu intger, giá trị mặc định là 64 Người dùng có thể ghi đè lên giá trị này Nếu dữ liệutrình tự có số lượng trạng thái vượt quá giới hạn thì thuật toán sử dụng các trạng thái phổbiến nhất của thuộc tính

* Giả sữ rằng có m trạng thái trình tự Mổi nhóm cluster chứa một ma trận M*M Thờigian xữ lý sẽ là M2 Nếu M quá lớn, nó có thể tốn nhiều thời gian để xử lý Vì thế khôngnên để M quá lớn hơn 100 Nếu có quá nhiều trạng thái, Ví dụ: hàng tram trang trênwebsite của bạn thì bạn có thể giảm M bằng cách nhóm các trang lại với nhau theo chủngloại

 Những yêu cầu:

- Bảng trường hợp cần có một cột ID trường hợp Bảng trường hợp có thể chứa những cột

khác để lưu trử các thuộc tính về các trường hợp

- Thuật toán này các thông tin về trình tự được lưu trử bằng bảng “nested” Bảng “nested”

cần có một cột chứa khóa trình tự Cột khóa trình tự có thể chứa bất kì kiểu dữ liệu nào

có thể lưu trử được Bao gồm cà kiểu chuổi, nhưng mà cột này cần chứa giá trị không

trùng nhau Ngoài ra, trước khi xữ lý mô hình, cần chắc chắn rằng cả Bảng trường hợp và

bảng “nested” được sắp xếp theo thứ tự tang dần của khóa

 Một số hàm:

- Cluster (): trả về Cluster ID trong từng trường hợp

- ClusterDistance():

- PredictProbability(): Trả về xác suất cho mỗi trạng thái trình tự được dự đoán

- PredictHistogram(): Trả về biểu đồ xác suất cho mỗi trạng thái trình tự tại mỗi bước

- PredictSequence(): Trả về trạng thái trình tự được dự đoán tiếp theo từ trình tự đưa ra

PredictSequence(<table column reference>): Trả về trạng thái trình tự được dự đoán kế

tiếp từ trình tự đưa ra

PredictSequence(<table column reference, n>): Trả về n trạng thái trình tự được dự đoán

tiếp theo từ trình tự đưa ra

* Tham khảo thêm theo thông tin bên dưới:

Prediction Function Usage

Cluster (DMX) Returns the cluster that is most likely to contain the input case

ClusterDistance (DMX) Returns the distance of the input case from the specified cluster, or if no cluster is specified, the

distance of the input case from the most likely cluster

This function can be used with any kind of clustering model (EM, K-Means, etc.), but the resultsdiffer depending on the algorithm

ClusterProbability (DMX) Returns the probability that the input case belongs to the specified cluster

IsInNode (DMX) Indicates whether the specified node contains the current case

PredictAdjustedProbability

(DMX)

Returns the adjusted probability of a specified state