Luận án TS: Phát triển mô hình tập thô phủ, tập thô mờ cho khai phá dữ liệu

Lý thuyết tập thô được xây dựng dựa trên khái niệm quan hệ không phân biệt được. Quan hệ này nhóm các đối tượng không thể phân biệt bằng một tập hợp con các thuộc tính. Các lớp tương đương hình thành từ quan hệ này là cơ sở để định nghĩa các xấp xỉ tập. Có hai loại xấp xỉ chính: xấp xỉ dưới và xấp xỉ trên. Xấp xỉ dưới bao gồm tất cả các đối tượng chắc chắn thuộc về một tập hợp, dựa trên thông tin hiện có. Xấp xỉ trên bao gồm tất cả các đối tượng có thể thuộc về tập hợp đó. Vùng biên giới giữa xấp xỉ dưới và xấp xỉ trên biểu thị mức độ không chắc chắn. Vùng này chứa các đối tượng không thể gán rõ ràng vào hoặc ra khỏi tập hợp. Việc này phản ánh bản chất mờ của tri thức. Lý thuyết tập thô xử lý dữ liệu định tính và định lượng một cách thống nhất. Nó không cần mã hóa trước, giúp giữ nguyên ý nghĩa ban đầu của dữ liệu. Các nguyên tắc này tạo nên nền tảng vững chắc cho việc khai phá dữ liệu hiệu quả.

Lý thuyết tập thô đóng vai trò trung tâm trong khai phá dữ liệu. Nó hỗ trợ trích xuất tri thức từ các tập dữ liệu lớn và phức tạp. Một trong những ứng dụng nổi bật là giảm thuộc tính (attribute reduction) và lựa chọn đặc trưng (feature selection). Tập thô xác định tập hợp tối thiểu các thuộc tính cần thiết để duy trì khả năng phân biệt thông tin. Điều này giúp giảm chiều dữ liệu, cải thiện hiệu suất thuật toán học máy và giảm chi phí tính toán. Ngoài ra, tập thô còn được ứng dụng trong phân loại (classification) và phân cụm (clustering). Nó tạo ra các quy tắc quyết định dựa trên các xấp xỉ tập, cung cấp sự giải thích rõ ràng về các quyết định. Khả năng xử lý dữ liệu không nhất quán và không đầy đủ là một lợi thế lớn. Điều này làm cho tập thô trở thành một công cụ linh hoạt cho các bài toán thực tế. Nó giúp khám phá các mẫu ẩn và cấu trúc dữ liệu mà các phương pháp truyền thống có thể bỏ lỡ.

Mô hình tập thô phủ được phát triển để khắc phục hạn chế của lý thuyết tập thô truyền thống, vốn dựa trên quan hệ phân hoạch. Trong nhiều tập dữ liệu thực tế, các thuộc tính không tạo ra các lớp tương đương rời rạc. Một đối tượng có thể có liên quan đến nhiều khái niệm hoặc lớp. Tập thô phủ sử dụng khái niệm “phủ” thay vì “phân hoạch”. Một phủ là một tập hợp các tập hợp con của vũ trụ, sao cho hợp của chúng là toàn bộ vũ trụ. Các tập con này có thể chồng lấn. Điều này cho phép một đối tượng thuộc về nhiều “khối” đồng thời. Việc nới lỏng điều kiện này giúp tập thô phủ trở nên linh hoạt hơn trong việc mô hình hóa dữ liệu. Nó đặc biệt hữu ích khi xử lý dữ liệu thiếu chính xác hoặc dữ liệu đa nhãn, nơi các nhãn có thể không loại trừ lẫn nhau. Các khái niệm xấp xỉ dưới và trên cũng được định nghĩa lại cho phù hợp với cấu trúc phủ. Điều này giúp phát hiện các quy tắc quyết định trong các hệ thống thông tin phức tạp.

Bảng quyết định phủ là một cấu trúc dữ liệu mở rộng từ bảng quyết định truyền thống, tích hợp các nguyên lý của tập thô phủ. Trong bảng quyết định thông thường, mỗi đối tượng có một tập hợp các thuộc tính điều kiện và một thuộc tính quyết định duy nhất. Bảng quyết định phủ cho phép mỗi đối tượng có thể có nhiều thuộc tính quyết định hoặc thuộc về nhiều lớp quyết định cùng lúc. Điều này rất phù hợp cho các bài toán phân loại đa nhãn trong khai phá dữ liệu. Cấu trúc bảng quyết định phủ giúp biểu diễn các mối quan hệ phức tạp giữa các thuộc tính và quyết định. Nó cho phép phát hiện các quy tắc quyết định không bị giới hạn bởi các giả định phân hoạch. Các phương pháp dựa trên bảng quyết định phủ thường tập trung vào việc rút gọn thuộc tính và lựa chọn đặc trưng. Chúng tìm kiếm các tập thuộc tính tối thiểu nhưng vẫn giữ được khả năng dự đoán cao. Điều này giúp tối ưu hóa việc xây dựng mô hình học máy và cải thiện hiệu quả tổng thể của quá trình phân tích dữ liệu.

Phân loại đa nhãn đối mặt với nhiều thách thức. Chúng bao gồm việc xử lý số lượng nhãn lớn, sự phụ thuộc phức tạp giữa các nhãn, và vấn đề mất cân bằng dữ liệu nhãn. Các mô hình cần có khả năng nắm bắt cả thông tin thuộc tính và cấu trúc của không gian nhãn. Lý thuyết tập thô cung cấp một khuôn khổ tự nhiên để giải quyết sự không chính xác và tính không đầy đủ trong dữ liệu. Nó cho phép xử lý dữ liệu mà không cần các giả định thống kê trước. Điều này rất quan trọng trong môi trường phân loại đa nhãn, nơi dữ liệu thường không đồng nhất và có nhiều mối quan hệ phức tạp. Các phương pháp tập thô có thể giảm chiều dữ liệu hiệu quả thông qua giảm thuộc tính và lựa chọn đặc trưng. Điều này giúp đơn giản hóa bài toán mà vẫn giữ được thông tin quan trọng. Nó làm tăng khả năng thành công của các thuật toán học máy đối với dữ liệu đa nhãn.

Các thuật toán phân loại đa nhãn được phát triển dựa trên bảng quyết định phủ đã chứng tỏ hiệu quả cao. Một ví dụ điển hình là mô hình CDTML-KNN. Mô hình này kết hợp khả năng của bảng quyết định phủ trong việc xử lý các khái niệm chồng lấn với sự đơn giản của thuật toán k-láng giềng gần nhất (k-Nearest Neighbors). Việc sử dụng bảng quyết định phủ giúp định nghĩa các quy tắc quyết định linh hoạt hơn. Các quy tắc này có thể ánh xạ trực tiếp từ các thuộc tính điều kiện đến nhiều nhãn. Các thuật toán này thường tích hợp các giai đoạn giảm thuộc tính và lựa chọn đặc trưng dựa trên tập thô. Điều này nhằm tối ưu hóa tập hợp các đặc trưng đầu vào, giảm nhiễu và tăng cường hiệu suất dự đoán. Việc sử dụng các kỹ thuật tập thô không chỉ cải thiện độ chính xác mà còn cung cấp sự giải thích rõ ràng về lý do gán nhãn, giúp người dùng hiểu rõ hơn về quyết định của mô hình học máy. Các mô hình này được áp dụng thành công trong nhiều lĩnh vực như phân loại văn bản, hình ảnh và hệ thống y tế.

Tập thô mờ bức tranh là một sự kết hợp mạnh mẽ giữa lý thuyết tập thô và tập mờ bức tranh. Tập mờ bức tranh cho phép biểu diễn thông tin một cách phong phú hơn về sự chấp thuận, từ chối và trung lập của một đối tượng đối với một khái niệm. Việc này được thể hiện thông qua các hàm số thành viên cho mỗi trạng thái. Khi tích hợp vào lý thuyết tập thô, các khái niệm về xấp xỉ dưới và xấp xỉ trên được định nghĩa lại dựa trên các giá trị thành viên mờ bức tranh. Điều này tạo ra một không gian xấp xỉ linh hoạt hơn, có khả năng xử lý các loại bất định đa dạng hơn. Mô hình tập thô mờ bức tranh đặc biệt hữu ích khi các chuyên gia hoặc người thu thập dữ liệu không thể đưa ra đánh giá rõ ràng. Nó cung cấp một cách để nắm bắt sự mơ hồ và lưỡng lự trong quá trình quyết định. Khả năng này làm cho nó trở thành một công cụ lý tưởng cho các bài toán phức tạp trong khai phá dữ liệu, chẳng hạn như hệ thống khuyến nghị và phân tích cảm xúc.

Hệ thống thông tin bội (Multi-granular Information System) đề cập đến dữ liệu được mô tả bởi các thuộc tính có độ chi tiết khác nhau hoặc đến từ nhiều nguồn khác nhau. Trong các hệ thống này, thông tin có thể được xem xét ở nhiều cấp độ hạt. Việc áp dụng tập thô mờ bức tranh vào hệ thống thông tin bội cho phép tạo ra các không gian xấp xỉ mờ bức tranh tương ứng. Điều này hỗ trợ việc tổng hợp và xử lý thông tin từ các cấp độ hạt khác nhau một cách hiệu quả. Việc chuyển đổi một hệ thống thông tin bội thành một hệ thống thông tin mờ bức tranh giúp chuẩn hóa dữ liệu. Nó tạo điều kiện cho việc áp dụng các phương pháp khai phá dữ liệu dựa trên tập thô. Cách tiếp cận này rất quan trọng trong các ứng dụng như phân tích dữ liệu đa phương tiện, y tế, hoặc các hệ thống thông tin địa lý. Nó giúp khám phá các mẫu ẩn và mối quan hệ phức tạp giữa các thành phần dữ liệu, từ đó cải thiện chất lượng của các quyết định và dự đoán trong học máy.

Giảm thuộc tính cốt lõi là một trong những ứng dụng nền tảng của lý thuyết tập thô. Mục tiêu là xác định một tập hợp con nhỏ nhất các thuộc tính mà không làm thay đổi quan hệ không phân biệt được của các đối tượng. Tập hợp con này được gọi là một "rút gọn" (reduct). Một thuộc tính được gọi là "cốt lõi" (core) nếu nó xuất hiện trong mọi rút gọn. Điều này có nghĩa là thuộc tính đó không thể loại bỏ mà không làm mất đi thông tin phân biệt quan trọng. Phương pháp tập thô cho phép tìm ra các thuộc tính dư thừa hoặc không liên quan một cách hệ thống. Việc này giúp giảm kích thước của tập dữ liệu một cách đáng kể. Đồng thời, nó vẫn đảm bảo rằng các thông tin cần thiết cho việc phân loại hoặc ra quyết định được bảo toàn. Giảm thuộc tính bằng tập thô không chỉ cải thiện hiệu quả tính toán mà còn giúp các mô hình học máy tập trung vào các đặc trưng quan trọng nhất. Điều này dẫn đến sự cải thiện về độ chính xác và tính giải thích của mô hình.

Lựa chọn đặc trưng là quá trình tìm kiếm một tập hợp con tối ưu các đặc trưng từ tập dữ liệu gốc. Mục đích là để cải thiện hiệu suất của mô hình học máy. Lý thuyết tập thô cung cấp các kỹ thuật hiệu quả cho lựa chọn đặc trưng dựa trên khái niệm về tầm quan trọng của thuộc tính. Tầm quan trọng này đo lường mức độ ảnh hưởng của một thuộc tính đến khả năng phân biệt các lớp quyết định. Các thuật toán như FRR-RED (Fuzzy Rough Reduct) sử dụng các quan hệ thô mờ để rút gọn đặc trưng. Điều này cho phép xử lý dữ liệu với sự không chắc chắn và tính mờ, mang lại các tập đặc trưng được chọn lọc tốt hơn. Lựa chọn đặc trưng tối ưu giúp các thuật toán học máy hoạt động nhanh hơn và chính xác hơn. Nó giảm nguy cơ quá khớp (overfitting) và tăng cường khả năng khái quát hóa của mô hình. Việc này có vai trò quan trọng trong việc xây dựng các hệ thống thông minh, từ phân loại văn bản đến chẩn đoán y tế, bằng cách chỉ tập trung vào những thông tin có giá trị nhất.