Trong chƣơng 3, luận văn đã trình bày hai thuật toán khai phá luật quyết định trên bảng dữ liệu động khi có sự bổ sung/ loại bỏ đối tƣợng. Thuật toán thứ nhất là thuật toán của Liu. Thuật toán tiếp cận theo hƣớng tính toán ma trận gia tăng độ chính xác và độ phủ. Thuật toán thứ hai là thuật toán đƣợc xây dựng dựa trên hƣớng tính toán gia tăng ma trận độ hỗ trợ. Chƣơng này của luận văn cũng đã cài đặt và chạy đƣợc thuật toán tiếp cận gia tăng ma trận độ hỗ trợ khi bổ sung/ loại bỏ đối tƣợng khỏi cơ sở dữ liệu.
KẾT LUẬN
Những kết quả đã đạt đƣợc Lý thuyết
1. Luận văn đã tìm hiểu các kiến thức chung về khai phá dữ liệu, tập thô và các định nghĩa cơ bản để giúp khai phá các luật có ý nghĩa.
2. Luận văn đã tìm hiểu và trình bày đƣợc thuật toán tiếp cận gia tăng ma trận độ hỗ trợ với hệ thống thông tin đầy đủ có tập thuộc tính thay đổi (đƣợc làm thô và làm mịn) và có đánh gia độ phức tạp tính toán theo thời gian.
3. Luận văn đã tìm hiểu và trình bày đƣợc hai thuật toán theo hƣớng tiếp cận gia tăng khi hệ thông thông tin đầy đủ có tập đối tƣợng thay đổi (bổ sung/ loại bỏ đối tƣợng ra khỏi hệ thống). Thuật toán thứ nhất: Tính toán gia tăng ma trận độ chính xác và độ phủ đƣợc đề xuất bởi Liu. Thuật toán thứ hai: Tính toán gia tăng ma trận độ hỗ trợ đƣợc đề xuất bởi TS. Nguyễn Quang Khanh. Hai thuật toán đƣợc đánh giá độ phức tạp và có sự so sánh.
Ứng dụng
Trên cơ sở nghiên cứu lý thuyết các thuật toán, luận văn cũng đã cài đặt và chạy đƣợc thuật toán tính toán gia tăng ma trận độ hỗ trợ để trích rút các luật có ý nghĩa với hai ngƣỡng độ chính xác α và độ phủ γ cho trƣớc.
Hƣớng nghiên cứu tiếp theo
Luận văn mới chỉ tìm hiểu đến việc khai phá các luật quyết định trên cơ sở dữ liệu động có tập giá trị thuộc tính thay đổi mà chƣa đề cập tới việc thay đổi thuộc tính của đối tƣợng. Do đó, hƣớng tìm hiểu tiếp theo của luận văn sẽ tập trung vào thuật toán khai phá các luật quyết định khi có tập thuộc tính thay đổi trên bảng dữ liệu động
TÀI LIỆU THAM KHẢO Tiếng Việt
1. Nguyễn Quang Khanh (2012), Khai phá luật quyết định trên bảng dữ liệu động, Học Viện Kỹ Thuật Quân Sự.
Tiếng Anh
2. Chen, Hongmei, et al. (2010), "A Rough Set Based Dynamic Maintenance Approach for Approximations in Coarsening and Refining Attribute Values",
International Journal of Intelligent Systems. 25, tr. 1005-1026.
3. Han, Jiawei and Kamber, Micheline (2006), Data Mining: Concepts and Techniques, Second Edition, Second Edition, Morgan Kaufmann, 745.
4. Jain, Rajni (2012), "Introduction to Data Mining Techniques", tr. 1-11.
5. LIU, Dun, et al. (2009), "An Approach for Inducing Interesting Incremental Knowledge Based on the Change of Attribute Values ", Granular Computing, 2009, GRC '09. IEEE International Conference on, tr. 415-418.
6. Liu, Dun, et al. (2009), "An Incremental Approach for Inducing Knowledge from Dynamic Information Systems", Fundamenta Informaticae 94, tr. 245– 260.
7. Pawlak, Zdzislaw (2004), "Some Issues on Rough Sets", Transactions on Rough Sets I, tr. 1-58.
8. Pawlak, Zdzisław (2002), "Rough Set Theory and Its Applications", Journal Of Telecommunications And Information Technology, tr. 7-10.
9. Rissino, Silvia and Lambert-Torres, Germano (2009), "Rough Set Theory – Fundamental Concepts, Principals, Data Extraction, and Applications", trong Julio Ponce và Adem Karahoca, chủ biên, Data Mining and Knowledge Discovery in Real Life Applications, I-Tech Education and Publishing, tr. 36- 43.
10. Walczak, B. and Massart, D.L. (1999), "Rough sets theory", Chemometrics and Intelligent Laboratory Systems, tr. 1-5.