Sau khi chạy một số ví dụ trên các bộ dữ liệu khác nhau với các ngƣỡng min_sup và min_len khác nhau. Ta thấy thuật toán C-Miner đa khai phá đƣợc chính xác tất cả các FCP và tất cả đều là FCP. Với bộ dữ liệu dạng lớn thì hiệu quả của C- Miner đƣợc cải thiện rất nhiều.
KẾT LUẬN.
Hiện nay, con ngƣời đang chìm ngập trong tri thức nhƣng lại rất thiếu thốn thông tin, với lƣợng dữ liệu lớn và phức tạp nhƣ hiện nay thì nhu cầu khai phá tri thức trở nên rất thiết yếu với con ngƣời.
Đồ án đã giới thiệu đƣợc tổng quát về KPTT và KPDL, các hƣớng tiếp cận chính trong KPTT, các lĩnh vực ứng dụng KPTT trong thực tế. Ngoài ra đồ án còn đề cập đến một số phƣơng pháp khai phá dữ liệu dạng đóng đƣợc ứng dụng trong nhiều lĩnh vực thực tế hiện nay (phân tích thị trƣờng, phân tính sinh học,…). Cụ thể là các thuật toán C-Miner và B-Miner trong khai phá bộ dữ liệu 2 chiều, và RSM và CubeMiner trong khai phá bộ dữ liệu 3 chiều.
Hạn chễ: Vì thời gian tìm hiểu chƣa đƣợc nhiều nên em mới chỉ xây dựng đƣợc một chƣơng trình khai phá dữ liệu dựa trên thuật toán C-Miner với đầu vào là bộ dữ liệu dạng text.
Hƣớng đi tiếp theo:
Xây dựng chƣơng trình thực nghiệm đối với các thuật toán B-Miner, RSM và CubeMiner đối với dữ liệu là các cơ sở dữ liệu thực tế.
TÀI LIỆU THAM KHẢO.
[1] Ji Liping (Bachelor of Management, Nanjing University, China): Mining Localized
co-expressed gene patterns from microarray data, A dissertation submitted for the degree of philosophy at national university of Singapore school of computing june 2006.
[2] Andrew Kusiak Intelligent Systems Laboratory 2139 Seamans Center The University of Iowa Iowa City, Iowa 52242 – 1527: Association Rules The Apriori Algorithm.
[3] Pei, J., Mortazavi-Asl, B., Chen, Q., Dayal, U. and Hsu, M: Frequent pattern- projected sequential pattern mining.
[4] Nguyễn Đức Cƣờng – Khoa Công Nghệ Thông Tin – Đại học Bách Khoa Thành