Ứng dụng lý thuyết tập thô trong khai phá dữ liệu
Nguyễn Văn Chức - chuc1803@gmail.com
Lý thuyết tập thô (Rough Set Theory) do Zdzisaw Pawlak (1926-2006) đề xuất vào năm 1982 đã được ứng dụng ngày càng rộng rãi trong lĩnh vực khoa học máy tính. Lý thuyết tập thô được phát triển trên một nền tảng toán học vững chắc, cung cấp các công cụ hữu ích để giải quyết các bài toán phân tích dữ liệu, phát hiện luật, nhận dạng… Đặc biệt thích hợp với các bài toán phân tích trên khối lượng dữ liệu lớn, chứa đựng thông tin mơ hồ, không chắc chắn. Mục đích chính của phân tích dữ liệu dựa trên lý thuyết tập thô nhằm đưa ra các xấp xỉ để biểu diễn các đối tượng không thể được phân lớp một cách chắc chắn bằng tri thức có sẵn. Theo quan điểm của lý thuyết tập thô, mọi tập thô đều liên kết với 2 tập “rõ” là xấp xỉ dưới và xấp xỉ trên của nó. Xấp xỉ dưới bao gồm các đối tượng chắc chắn thuộc, còn xấp xỉ trên chứa tất cả các đối tượng có khả năng thuộc về tập đó. Các tập xấp xỉ là cơ sở để rút ra các kết luận (tri thức) từ cơ sở dữ liệu.
Bài viết này giới thiệu cơ bản về lý thuyết tập thô và ứng dụng nó trong khai phá dữ liệu.
1. Giới thiệu về lý thuyết tập thô
Một số khái niệm cơ bản
Hệ thống thông tin
Một tập dữ liệu có thể biểu diễn dưới dạng một bảng, trên đó mỗi dòng biểu diễn thông tin ứng với một đối tượng, mỗi cột biểu diễn một thuộc tính có thể đo được của đối tượng. Bảng này được gọi là một hệ thống thông tin.
Hệ thống thông tin là một cặp S=(U,A), trong đó U là tập hữu hạn khác rỗng các đối tượng gọi là tập vũ trụ còn A là tập hữu hạn khác rỗng các thuộc tính.
Với mỗi đối tượng 
, ta ký hiệu u(a) là giá trị của đối tượng u tại thuộc tính a. Nếu gọi Ia là tập tất cả các giá trị của thuộc tính a, thì 
. Bây giờ, nếu đặt 
là tập con của tập thuộc tính A, ta ký hiệu bộ các giá trị u(bi) bởi u(B). Như vậy, nếu u và v là 2 đối tượng u(B)=v(B) nếu u(bi)=v(bi), với mọi i=1,2,…,k.
Ví dụ: Một hệ thống thông tin bao gồm 8 đối tượng U={u1,u2,u3,u4,u5,u6,u7,u8}, tập thuộc tính A={Color, Size }, và miền giá trị cho từng thuộc tính là IColor = {Green, Yellow, Red}, ISize = {Small, Medium, Big }.
Bảng 1. Hệ thống thông tinBảng quyết định (Decision Table)
Bảng quyết định là một hệ thống thông tin có dạng T=(U,A),với U là tập các đối tượng và A là tập các thuộc tính, trong đó tập thuộc tính A được chia thành 2 tập thuộc tính rời nhau là C và D, C được gọi là tập thuộc tính điều kiện và D là tập thuộc tính quyết định. Tức là 
.
Ví dụ : Bảng sau đây là một bảng quyết định. Bảng này có 8 đối tượng như trong bảng 1, nhưng có thêm thuộc tính quyết định (Shape). Trong bài toán phân lớp thì thuộc tính quyết định chính là lớp của đối tượng cần xếp lớp. Trong ví dụ này thuộc tính quyết định Shape có 3 giá trị là Circle, square và Triangle
Bảng 2. Bảng quyết địnhQuan hệ không phân biệt được
Xét hệ thống thông tin S = (U, A), khi đó mỗi tập thuộc tính 
đều tạo ra một quan hệ 2 ngôi trên U, ký hiệu IND(B):
.
Ví dụ: Tập thuộc tính B= {Color, Size} trong Bảng 2 phân hoạch tập 8 đối tượng thành tập các lớp tương đương như sau:
Nhận xét: Ta thấy, các đối tượng u1và u6 cùng một lớp tương đương nên chúng không thể phân biệt với nhau trên tập thuộc tính {Color, Size }.Các tập xấp xỉ
Các tập xấp xỉ là cơ sở để rút ra các kết luận (tri thức) từ cơ sở dữ liệu. Cho hệ thống thông tin 
. Với các tri thức được cho bởi tập thuộc tính B, vấn đề đặt ra là liệu chúng ta có thể biểu diễn tập các đối tượng V bằng các tri thức có sẵn hay không? Hay nói cách khác, với tập thuộc tính B cho trước, chúng ta có các lớp tương đương của quan hệ IND(B), thế thì tập các đối tượng V có thể được diễn đạt thông qua các lớp tương đương này như thế nào? Trong lý thuyết tập thô, để biểu diễn tập đối tượng V bằng tri thức có sẵn B người ta xấp xỉ chúng bởi hợp của một số hữu hạn các lớp tương tương của IND(B). Có 2 cách xấp xỉ đó là B-Xấp xỉ dưới của V, ký hiệu là
và B-Xấp xỉ trên của tập V, ký hiệu là 
. Các tập xấp xỉ này được định nghĩa như sau:
và 
Tập bao gồm tất cả các phần tử của U chắc chắn thuộc vào V
Tập bao gồm các phần tử của U có khả năng được phân loại vào những phần tử thuộc V.
Từ 2 tập xấp xỉ trên và xấp xỉ dưới của V, người ta định nghĩa các tập sau:
: B-miền biên của V. Nếu 
thì V được gọi là tập thô, ngược lại V được gọi là tập rõ
: B-vùng dương của V
: B-vùng âm của V
Đối với một hệ thống thông tin 
, ký hiệu R= IND(B), người ta gọi B-miền khẳng định dương của D là tập được xác định như sau:
Ví dụ: Xét hệ thống thông tin biểu diễn các triệu chứng của cảm cúm như sau:
Bảng 3. Các triệu chứng cảm cúmTừ hệ thống thông tin trên, ta có các lớp không phân biệt được B={Đau đầu, Thân Nhiệt} là {u1},{u2},{u3},{u4},{u5,u7},{u6,u8}.
Nếu đặt V={u|u(Cảm cúm)=Có}={u2,u3,u6,u7}, lúc đó ta có:
BV= {u2,u3} và = {u2,u3,u5,u7,u6,u8}.
Từ đó ta có B-miền biên của V là tập ={ u5,u6,u7,u8}.
Rút gọn (Reduction) và lõi(Core)
Trong bảng quyết định, các thuộc tính điều kiện được phân thành 3 loại, đó là: thuộc tính lõi (core), thuộc tính rút gọn và thuộc tính không cần thiết. Thuộc tính lõi là thuộc tính không thể thiếu trong việc phân hoạch tập dữ liệu. Thuộc tính không cần thiết là những thuộc tính dư thừa (có thể loại bỏ một thuộc tính như vậy chứ không phải loại bỏ tất cả) mà không ảnh hưởng đến việc phân hoạch dữ liệu. Thuộc tính rút gọn nằm giữa 2 tập thuộc tính trên, với một tổ hợp thuộc tính nào đó, nó là thuộc tính dư thừa nhưng với tổ hợp thuộc tính khác, nó có thể là thuộc tính lõi.
Cho một bảng quyết định 
. Tập thuộc tính 
được gọi là một rút gọn của C nếu POSR(D)= POSC(D). Lõi của tập thuộc tính C, ký hiệu CORE(C) là tất cả các thuộc tính giao của tất cả các tập rút gọn của C.
.
Trong đó RED(C) là tập hợp tất cả các rút gọn của C.Ví dụ: Cho bảng quyết định về bệnh cúm như bảng bảng 4
Bảng 4. Bảng quyết định về bệnh cúmBảng này có 2 tập rút gọn là R1={Đau đầu, Thân nhiệt} và R2= {Đau cơ, Thân nhiệt}. Tập lõi Core={Thân nhiệt}. Vậy Thân nhiệt là thuộc tính cần thiết duy nhất, các thuộc tính Đau đầu, Đau cơ đều không cần thiết. Điều này có nghĩa rằng có thể loại bỏ 1 trong 2 thuộc tính Đau đầu hoặc Đau cơ (không thể bỏ đồng thời cả 2) mà không ảnh hưởng đến kết quả chuẩn đoán bệnh.
Có rất nhiều thuật toán đã được xây dựng để tìm các tập rút gọn tối thiểu các thuộc tính điều kiện của bảng quyết định. Tuy nhiên, độ phức tạp của các thuật toán này là NP-khó. Vì vậy, người ta thường sử dụng các thuật toán rút gọn xấp xỉ, trong đó thuật toán rút gọn xấp xỉ Johnson được sử dụng rất phổ biến.
2. Giới thiệu công cụ triển khai lý thuyết tập thô
Phần này giới thiệu phần mềm ROSE2, đây là phần mềm triển khai khá đầy đủ các nhiệm vụ cơ bản của lý thuyết tập thô như tìm các rút gọn tập thuộc tính (reduction), tìm lập lõi (core), tìm các luật suy diễn (Induction), xấp xỉ (Approximation), ma trận phân biệt (Discernibility Matrix)…
Dữ liệu minh họa là bảng quyết định về dữ liệu cảm cúm (bảng 4) gồm có 6 đối tượng, 3 thuộc tính điều kiện (Đau đầu, Đau cơ, thân nhiệt) và 1 thuộc tính quyết định (Cảm cúm)
Khởi động ROSE2, tạo file dữ liệu và nhập dữ liệu vào như sau
Kết quả sau khi nhập dữ liệu:
Tìm tập lõi (Core): Chọn file dữ liệu, chọn Reduction, chọn Core, chọn thuộc tính quyết định (decision attribute) là Cảm cúm. Kết quả tập lõi có 1 thuộc tính là Thân Nhiệt:
Tìm các tập rút gọn: Chọn Reduction, chọn Lattice Search, chọn thuộc tính quyết định (decision attribute) là Cảm cúm. Kết quả có 2 tập rút gọn là {Đau đầu, Thân nhiệt} và {Đau cơ, thân nhiệt}.
Tìm các luật suy diễn: Chọn Rule Induction, chọn Basic Minimal Covering, chọn thuộc tính quyết định (decision attribute) là Cảm cúm. Kết quả có các luật suy diễn như sau:
Các luật được phát hiện chính là các tri thức được khai phá từ dữ liệu. Đây là cơ sở để suy đoán, ước lượng hoặc ra quyết định. Trong ví dụ này, có thể dựa vào các luật này để chuẩn đoán một người có bị bệnh cảm cúm hay không. Tìm các tập xấp xỉ tương đương: Trong mục Similarity Relation, chọn Approximations, chọn thuộc tính quyết định (decision attribute) là Cảm cúm. Kết quả.
Công cụ ROSE2 triển khai khá đầy đủ các nhiệm vụ cơ bản của lý thuyết tập thô với giao diện dễ sử dụng, trình bày kết quả dễ hiểu. Tuy nhiên, để khai thác hết các chức năng của chương trình, bạn cần phải có kiến thức nhất định về lý thuyết tập thô.