Giao diện chính của chương trình
Hình 4.1: Giao diện chính của chương trình
Cửa sổ lựa chọn CSDL để kết nối
66
Số hóa bởi Trung tâm Học liệu - Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
Cửa sổ khai phá luật kết hợp dựa vào CSDL và min_sup, min_conf
67
Số hóa bởi Trung tâm Học liệu - Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
KẾT LUẬN VÀ ĐỀ NGHỊ
Sau một thời gian thực hiện, em đã hoàn thành luận văn và đạt được một số kết quả nhất định. Luận văn đã thể hiện được tính thực tiễn và cấp bách của KPDL, luận văn đã trình bày được những nét cơ bản của KPDL, những khái niệm cơ bản về luật kết hợp, những phương pháp để khai phá kết luật kết hợp đơn chiều, đa chiều, đa mức. Đặc biệt đã đưa ra được phương pháp để cải tiến hiệu quả của thuật toán Apriori như: bảng băm, phân đoạn, lấy mẫu và giảm kích thước CSDL.
Với thời gian còn hạn chế, trong luận văn này bước đầu tôi đã tìm hiểu một số thuật toán như: AIS, SETM, Apriori, AprioriTID, AprioriHybrid, DHP, PHP và các thuật toán sinh luật kết hợp. Đây cũng có thể coi là một nền tảng của quá trình KPDL mà tôi đã tìm hiểu được, tuy nhiên trong quá trình nghiên cứu và cài đặt của thuật toán vẫn còn những mặt hạn chế.
Kết quả đạt được: đã hoàn thành báo cáo luận văn với các nội dung nêu trên, cài đặt chương trình demo thuật toán được trình bày trong luận văn cho kết quả nhanh và chính xác.
Dựa vào kết quả đã đạt được cũng như những mặt còn hạn chế, chính vì vậy tôi mong muốn sẽ được tiếp tục nghiên cứu và cài đặt các thuật toán một cách thành công nhất.
68
Số hóa bởi Trung tâm Học liệu - Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
TÀI LIỆU THAM KHẢO Tiếng việt
[1] Phạm Hữu Khang, Kỹ thuật lập trình C#.Net, NXB Lao Động - Xã Hội.
[2] Vũ Đức Thi, Cơ sở dữ liệu: Kiến thức và thực hành, NXB Thống kê, 1997. [3] Hồ Thuần, Hồ Cẩm Hà, Các hệ cơ sở dữ liệu: Lý thuyết và bài tập, tập 2, NXB
Giáo dục, 2005.
Tiếng Anh
[4] Agrawal R., Imielinski T .and Swami A,. “Mining Association Rules Between Sets of Items in Large Databases”, SIGMOD, 1993.
[5] Agrawal R., Srikantt R., “Fast Algorithms for mining association rules”, VLDB- 94, 1994.
[6] Freitas A. A., “Uderstanding the Crucial Differences Between Classification and Discovery of Association Rules”, ACM SIGKDD, vol.2, July 2000, pp65-69. [7] Han J. And Fu Y., “Discovery of Multiple-Level Association Rules from Large
Database”, Proseedings of the 21st
VLDB Conference, Zurich, Swizerland, 1995.
[8] Han J. and Kamber M., Data Mining: Concepts and Techniques, University of Illinois, Morgan Kaufmann Publishers, 2002.
[9] Han J., Pei J., Yin Y., “Mining frequent patterns without candidate generation”, SIGMOD, 2000.
[10] Ma Y., Liu B,. Wong C. K., Yu. P. S., Lee S.M., “Targeting the Right Students Using Data Mining”, KDD-2000, 2000.
[11] Park J. S., Chen M. S., Yu P. S “Using a Hash-Based Method with Tansaction Trimming and Database Scan Reduction for Mining Association Rule” Vol.9, No.5, 1997.
[12] Srikant R., Agrawal R., “Mining Quantitative Association rules”, Proceedings of the 22nd VLDB Conference, Bombay, India, 1996.
69
Số hóa bởi Trung tâm Học liệu - Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
Địa chỉ Internet
[14] Apte C., Liu B.&Smyth P., “Business Applications of Data Mining”, 2004
http://www.reaserch.ibm.com/dar/papers/pdf/Business_application_of_dm.pdf.
[15] Dunham M.H., Gruenwald Y. X. L., Hossain Z., “A survery of association rules” http://www2.cs.uh.edu/~ceik/6340/grue-assoc.pdf.
[16] Han J. and kamber M., “principles of K nowledge Discovery in Data”, http://www.cs.ualberta.ca/~joerg/courses/cput695/fall2003/Association Rules-
4spp.pdf.
[17] Rantzau R., “Extended Concepts for Association Rule Discovery”,
http://elib.uni-stuttgart.de/opus/volltexte/2007/721/pdf/DIP_1554.pdfl.
[18] S. Ayse Ozel anf H. Altay Guvenir., “Algorithm for Mining Association Rules
Using Perfect Hashing and Database pruning”,