Bài giảng Khai phá dữ liệu (Data mining) - Chương 7: Khai phá dữ liệu và công nghệ cơ sở dữ liệu - Võ Thị Ngọc Châu

11
Chương 7: Khai phá dữ liệu và
công nghệ cơ sở dữ liệu
Học kỳ 1 – 2011-2012
Khoa Khoa Học & Kỹ Thuật Máy Tính
Trường Đại Học Bách Khoa Tp. Hồ Chí Minh
Cao Học Ngành Khoa Học Máy Tính
Giáo trình điện tử
Biên soạn bởi: TS. Võ Thị Ngọc Châu
(chauvtn@cse.hcmut.edu.vn)
22
Tài liệu tham khảo
‡ [1] Jiawei Han, Micheline Kamber, “Data Mining: Concepts and 
Techniques”, Second Edition, Morgan Kaufmann Publishers, 2006.
‡ [2] David Hand, Heikki Mannila, Padhraic Smyth, “Principles of Data 
Mining”, MIT Press, 2001.
‡ [3] David L. Olson, Dursun Delen, “Advanced Data Mining 
Techniques”, Springer-Verlag, 2008.
‡ [4] Graham J. Williams, Simeon J. Simoff, “Data Mining: Theory, 
Methodology, Techniques, and Applications”, Springer-Verlag, 2006.
‡ [5] Hillol Kargupta, Jiawei Han, Philip S. Yu, Rajeev Motwani, and 
Vipin Kumar, “Next Generation of Data Mining”, Taylor & Francis 
Group, LLC, 2009.
‡ [6] Daniel T. Larose, “Data mining methods and models”, John Wiley 
& Sons, Inc, 2006.
‡ [7] Ian H.Witten, Eibe Frank, “Data mining : practical machine 
learning tools and techniques”, Second Edition, Elsevier Inc, 2005. 
‡ [8] Florent Messeglia, Pascal Poncelet & Maguelonne Teisseire, 
“Successes and new directions in data mining”, IGI Global, 2008.
‡ [9] Oded Maimon, Lior Rokach, “Data Mining and Knowledge 
Discovery Handbook”, Second Edition, Springer Science + Business
Media, LLC 2005, 2010.
33
Nội dung
‡ Chương 1: Tổng quan về khai phá dữ liệu
‡ Chương 2: Các vấn đề tiền xử lý dữ liệu
‡ Chương 3: Hồi qui dữ liệu
‡ Chương 4: Phân loại dữ liệu
‡ Chương 5: Gom cụm dữ liệu
‡ Chương 6: Luật kết hợp
‡ Chương 7: Khai phá dữ liệu và công nghệ cơ
sở dữ liệu
‡ Chương 8: Ứng dụng khai phá dữ liệu
‡ Chương 9: Các đề tài nghiên cứu trong khai phá
dữ liệu
‡ Chương 10: Ôn tập
44
Chương 7: Khai phá dữ liệu và
công nghệ cơ sở dữ liệu
‡ 7.1. Tổng quan về công nghệ cơ sở dữ liệu
‡ 7.2. Khả năng hỗ trợ khai phá dữ liệu của 
công nghệ cơ sở dữ liệu
‡ 7.3. Các ngôn ngữ truy vấn dành cho khai 
phá dữ liệu
‡ 7.4. Hỗ trợ của các DBMS ngày nay dành 
cho khai phá dữ liệu
‡ 7.5. Tóm tắt
55
7.0. Tình huống 1
Người đang sử dụng 
thẻ ID = 1234 thật 
sự là chủ nhân của 
thẻ hay là một tên 
trộm?
66
7.0. Tình huống 2
Tid Refund Marital Status 
Taxable 
Income Evade
1 Yes Single 125K No 
2 No Married 100K No 
3 No Single 70K No 
4 Yes Married 120K No 
5 No Divorced 95K Yes 
6 No Married 60K No 
7 Yes Divorced 220K No 
8 No Single 85K Yes 
9 No Married 75K No 
10 No Single 90K Yes 
10 
Ông A (Tid = 100) 
có khả năng trốn 
thuế???
77
7.0. Tình huống 3
Ngày mai cổ 
phiếu STB sẽ 
tăng???
88
7.0. Tình huống 4
Không (97%)3.02.0472008
Không (45%)4.55.5822007
Có (90%)7.59.5242006
Có (80%)6.07.0902005
Không3.55.582004
14
3
2
1
MãSV
Có5.55.02004
Không2.54.02004
Có8.06.52004
Có8.59.02004
TốtNghiệpMônHọc2MônHọc1Khóa
Làm sao xác định được
khả năng tốt nghiệp của
một sinh viên hiện tại?
99
7.0. Tình huống 
We are data rich, but information poor.
“Necessity is the mother of invention”. - Plato
10
10
7.1. Tổng quan về công nghệ cơ sở
dữ liệu
‡Đặc điểm dữ liệu thu thập được cho
quá trình khai phá dữ liệu (tóm tắt từ
Chương 1)
„ Bắt nguồn từ yêu cầu ứng dụng thực tiễn
„ Dữ liệu thật/dữ liệu nhân tạo từ mô phỏng
„ Cấu trúc từ đơn giản đến phức tạp
„ Lượng dữ liệu lớn, biến động nhiều
„ Lưu trữ lâu dài/lưu trữ tạm thời
Æ Quản lý và tận dụng hiệu quả
11
11
7.1. Tổng quan về công nghệ cơ sở
dữ liệu
‡ Đặc điểm kết quả thu được từ quá trình khai
phá dữ liệu (tóm tắt từ Chương 1)
„ Bắt nguồn từ yêu cầu ứng dụng thực tiễn
„ Có tính mô tả hay dự đoán tùy thuộc vào quá
trình khai phá cụ thể
„ Cấu trúc từ đơn giản đến phức tạp
„ Lượng kết quả lớn, biến động nhiều
‡ Nhiều tác vụ, nhiều giải thuật, nhiều lựa chọn giá trị
thông số
„ Lưu trữ lâu dài/lưu trữ tạm thời
Æ Quản lý và tận dụng hiệu quả
12
12
7.1. Tổng quan về công nghệ cơ sở
dữ liệu
‡Mô hình hóa (modeling)
„Model: “a representation of something, 
either as a physical object which is usually 
smaller than the real object, or as a simple 
description of the object which might be 
used in calculations”
ÆMô hình hóa dữ liệu cho quá trình khai phá
ÆMô hình hóa kết quả từ quá trình khai phá
13
13
7.1. Tổng quan về công nghệ cơ sở
dữ liệu
Simple Data 
without Queries
Simple Data 
with Queries
Complex Data 
without Queries
Complex Data 
with Queries
I II
III
Pattern-matching
(Similarity-based)
Data Query Language
(Precision-based)
Numbers and Characters
Video, Audio, Image, Text, 3D Graphical Data, etc.
IV
14
14
7.1. Tổng quan về công nghệ cơ sở
dữ liệu
File Systems Relational DB Systems
Object Relational DB SystemsObject (Oriented) DB Systems
Simple Data
Complex Data
Simple Queries Complex Queries
Source: M. Stonebraker, P. Brown with D. Moore, Object-Relational DBMS’s – Tracking the Next 
Great Wave, Morgan Kaufmann, 1999.
15
15
7.1. Tổng quan về công nghệ cơ sở
dữ liệu
‡ Mô hình hóa ý niệm dữ liệu cho quá trình khai phá
YesNoNoConceptual Schema 
Design Procedure
Yes with sample populationsNoNoValidation technique
5NF relations1NF relations1NF relationsRelational mapping 
algorithm
Predicate logic and 
linguistic
Object oriented paradigmNoTheoretical Foundation
NoClass methodNoObject behaviors
RicherOCL expressionsFewerConstraints
Relationship typeRelationship typeRelationship typeRelationships
IdentifierOID (implicit)Key attributeObject identity
-AttributeAttributeObject attribute
--Weak entity typeSet of dependent 
objects
Object typeClassEntity typeSet of objects of 
interest
NIAM/ORMUMLERMConceptual Data Model
16
16
7.1. Tổng quan về công nghệ cơ sở
dữ liệu
‡ Mô hình hóa luận lý dữ liệu cho quá trình khai phá
Methods callingLogical pointer REF 
(system-generated)
OID (system-generated)Fully encapsulated object 
with atomic/non-atomic 
attributes
Object
SQL:3, SQL:99, 
SQL:2003, OQL
Foreign key (attribute 
values)/logical pointer 
REF (system-
generated)
Primary key (attribute 
values) / OID (ROWID, 
REFC) (system-
generated)
Relation/un-encapsulated 
object with atomic/non-
atomic attributes
Object 
Relational
Nested relational 
algebra with 
nest/unnest operations
Foreign key (attribute 
values)
Primary key (attribute 
values)
Nested relation with 
nested relation attributes
Nested 
Relational
Relational algebra, 
tuple relational 
calculus, SQL:89, 
SQL:92
Foreign key (attribute 
values)
Primary key (attribute 
values)
Relation with atomic 
attributes
Relational
LanguageReferential ConstraintIdentityKey ConstructData Model
17
17
7.1. Tổng quan về công nghệ cơ sở
dữ liệu
‡ Mô hình hóa dữ liệu cho quá trình khai phá
„ Data warehouse
‡ “A data warehouse is a subject-oriented, integrated, nonvolatile, and 
time-variant collection of data in support of management’s decisions.”
‡ UML conceptual model
‡ Star (relational)/multidimensional model
Figure 2.5. The structure of the 
data warehouse.
Source: W.H. Inmon. Building the 
data warehouse, 3rd Edition, John 
Wiley & Sons, Inc., 2001.
18
18
7.1. Tổng quan về công nghệ cơ sở
dữ liệu
Figure 1. Decision support system architecture, which consists of three principal components: a data
warehouse server, analysis and data mining tools, and data warehouse back-end tools.
Source: S. Chaudhuri, U. Dayal, V. Ganti, Database Technology for Decision Support Systems, Computer, 
IEEE, 2001, pp. 48-55.
19
19
7.1. Tổng quan về công nghệ cơ sở
dữ liệu
‡ Mô hình hóa luận lý kết quả từ quá trình khai phá
„ Motivations
‡ Large collection of discovered knowledge
‡ A diversity of discovered knowledge
‡ Pattern (discovered knowledge) is nicely managed by a so-
called pattern management system just like data by a well-
defined/developed/used DBMS.
„ A logical model for patterns defined in [108-2003]
‡ Architectural issues
‡ Representation constructs: Pattern type, Pattern, Class
‡ Implicit constraints: Pattern-Pattern type, Pattern-Class, Class-
Pattern-Pattern type
‡ Relationships between patterns
ƒ Specialization, composition, refinement 
[108]. S. Rizzi, E. Bertino, B. Catania, M. Golfarelli, M. Halkidi, M. Terrovitis, P. Vassiliadis, M. Vazirginannis, E. 
Vrachnos. Towards a logical model for patterns. In Proceedings of the ER 2003, LNCS 2813, pp. 77-90, 2003.
20
20
Reference architecture 
for a pattern base 
management system 
using the logical model
Source: S. Rizzi, E. Bertino, 
B. Catania, M. Golfarelli, M. 
Halkidi, M. Terrovitis, P. 
Vassiliadis, M. Vazirginannis, 
E. Vrachnos. Towards a logical 
model for patterns. In 
Proceedings of the ER 2003, 
LNCS 2813, pp. 77-90, 2003.
21
21
Related Works - [108-2003]Æ [73-2008]
[108-2003] (architectural issues + representational constructs + pattern relationships)
[4-2004] (framework)
[97-2006] (review)
[3-2006] (language and system development – PhD thesis)
[87-2007] (Interoperability issues + support for application programs + driver development)
[73-2008] (summary)
22
22
Related Works - [108-2003]Æ [105-2007]
[108-2003] (architectural issues + representational constructs + pattern relationships)
[12-2004, 2007] (formal definition, pattern warehouse, query types, predicates and operators)
[105-2007] (more operators on pattern warehouse + indexing techniques – PhD thesis)
23
23
Related Works - [108-2003]Æ [101-2009]
[108-2003]
[99-2007] (model extension with superclass, 
ontology for knowledge evaluation of 
association rules and queries)
[100-2008] (pattern comparison methods for clustering)
[101-2009] (pattern comparison for crisp/fuzzy clustering, open 
source prototype development (PatternMiner) – PhD thesis)
[98-2005] (Database approach: relational, 
object relational, and XML-based databases)
24
24
Related works
‡ 4. B. Catania, A. Maddalena, M. Mazza, E. Bertino, S. Rizzi. A framework for data mining pattern 
management. In Proceedings of PKDD 2004, LNAI 3202, pp. 87-98, 2004.
‡ 97. B. Catania, A. Maddalena. Pattern Management: Practice and Challenges. In Processing and 
Managing Complex Data for Decision Support, J. Darmont, O. Boussaid (eds.), Idea Group 
Publishing, 2006.
‡ 73. B. Catania. Towards effective solutions for pattern management. International Journal of 
Computer Science and Applications, Vol 5(3), 2008, 36-45.
‡ 98. E. Kotsifakos, I. Ntoutsi, Y. Theodoridis. Database support for data mining patterns. In 
Proceedings of the 10th Panhellenic Conference on Informatics (PCI’05), Advances in Informatics 
– Springer-Verlag LNCS 3746, 2005.
‡ 99. E.E. Kotsifakos, G. Marketos, Y. Theodoridis. A framework for integrating ontologies and 
pattern-bases. Data Mining with Ontologies: Implementations, Findings, and Frameworks, H.O. 
Nigro, S. G. Cisaro, D. Xodo (eds.), Chapter 12, IDEA Group, 2007.
‡ 100. E.E. Kotsifakos, I. Ntoutsi, Y. Vrahoritis, Y. Theodoridis. PATTERN-MINER: Integrated 
management and mining over data mining models (Demo). In Proceedings of the 14th ACM 
SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD’08), 2008.
‡ 101. E.E. Kotsifakos. Pattern representation and management techniques – The PBMS concept. 
PhD Thesis, Department of Informatics, University of Piraeus, 2009.
‡ 3. A. Maddalena. A unified framework for heterogeneous pattern management. PhD thesis in 
Computer Science, University of Genova, April 2006.
‡ 87. A. Maddalena, B. Catania. Towards an interoperable solution for pattern management. In 
Proceedings of VLDB’07, 2007.
‡ 106. R. Meo, G. Psaila. An XML-based database for knowledge discovery. In Proceedings of the 
EDBT 2006 Workshops, LNCS 4254, pp. 814-828, 2006.
‡ 108. S. Rizzi, E. Bertino, B. Catania, M. Golfarelli, M. Halkidi, M. Terrovitis, P. Vassiliadis, M. 
Vazirginannis, E. Vrachnos. Towards a logical model for patterns. In Proceedings of the ER 2003, 
LNCS 2813, pp. 77-90, 2003.
‡ 105. M. Terrovitis. Modelling and operational issues for pattern base management systems. PhD 
Thesis, Computer Science Division, School of Electrical and Computer Engineering, National 
Technical University of Athens, 2007.
‡ 12. M. Terrovitis, P. Vassiliadis, S. Skiadopoulos, E. Bertino, B. Catania, A. Maddalena, S. Rizzi. 
Modeling and language support for the management of pattern-bases. Data & Knowledge 
Engineering 62 (2007) 368-397.
25
25
7.2. Khả năng hỗ trợ khai phá dữ 
liệu của công nghệ cơ sở dữ liệu
‡ Vấn đề quản lý
„ Đúng dữ liệu
„ Đúng người dùng
„ Đúng lúc
‡ Vấn đề lưu trữ
„ Lâu dài
„ Tạm thời
‡ Vấn đề thao tác
„ Hiệu quả
-Dữ liệu cho quá trình khai phá
-Kết quả từ quá trình khai phá
26
26
7.2. Khả năng hỗ trợ khai phá dữ 
liệu của công nghệ cơ sở dữ liệu
‡ Từ yêu cầu tri thức trong dữ liệu thu thập
được ngày nay đến yêu cầu dành cho quá
trình khai phá dữ liệu
‡ Từ yêu cầu của quá trình khai phá dữ liệu đến
yêu cầu dành cho công nghệ cơ sở dữ liệu
Æ conventional DBMS, in-memory DBMS, 
column-oriented DBMS, IR + DBMS, semantic 
technologies + DBMS, service-oriented DBMS, 
27
27
7.3. Các ngôn ngữ truy vấn dành 
cho khai phá dữ liệu
‡ A data mining query language
„ select the data to be mined and pre-process 
these data,
„ specify the kind of patterns to be mined,
„ specify the needed background knowledge (as 
item hierarchies when mining generalized 
association rules),
„ define the constraints on the desired patterns,
„ post-process extracted patterns.
Source: J-F. Boulicaut, C. Masson, Data Mining Query Languages, Chapter 1 in: The Data 
Mining and Knowledge Discovery Handbook, O. Maimon and L. Rokach (Eds.), Springer, 
2005, pp. 715-727.
28
28
7.3. Các ngôn ngữ truy vấn dành 
cho khai phá dữ liệu
‡ Proposals for association rule mining
„ MSQL (Imielinski and Virmani, 1999) at the 
Rutgers University
„ MINE RULE (Meo et al., 1998) at the University of
Torino and the Politecnico di Milano
„ DMQL (Han et al., 1996) at the Simon Fraser 
University
„ OLE DB for DM by Microsoft Corporation (Netz et 
al., 2000)
Source: J-F. Boulicaut, C. Masson, Data Mining Query Languages, Chapter 1 in: The Data 
Mining and Knowledge Discovery Handbook, O. Maimon and L. Rokach (Eds.), Springer, 
2005, pp. 715-727.
29
29
7.3. Các ngôn ngữ truy vấn dành 
cho khai phá dữ liệu
‡ MSQL (Imielinski and Virmani, 1999) at the Rutgers
University
Source: J-F. Boulicaut, C. Masson, Data Mining Query Languages, Chapter 1 in: The Data 
Mining and Knowledge Discovery Handbook, O. Maimon and L. Rokach (Eds.), Springer, 
2005, pp. 715-727.
Inductive queries to mine rules
Post-processing queries over a materialized collection of rules
30
30
7.3. Các ngôn ngữ truy vấn dành 
cho khai phá dữ liệu
‡ MINE RULE (Meo et al., 1998) at the University of
Torino and the Politecnico di Milano
Source: J-F. Boulicaut, C. Masson, Data Mining Query Languages, Chapter 1 in: The Data Mining and 
Knowledge Discovery Handbook, O. Maimon and L. Rokach (Eds.), Springer, 2005, pp. 715-727.
31
31
7.3. Các ngôn ngữ truy vấn dành 
cho khai phá dữ liệu
‡ DMQL (Han et al., 1996) at the Simon Fraser University
Source: J-F. Boulicaut, C. Masson, Data Mining Query Languages, Chapter 1 in: The Data Mining and 
Knowledge Discovery Handbook, O. Maimon and L. Rokach (Eds.), Springer, 2005, pp. 715-727.
32
32
7.3. Các ngôn ngữ truy vấn dành 
cho khai phá dữ liệu
‡ OLE DB for DM by Microsoft Corporation 
(Netz et al., 2000)
Source: J-F. Boulicaut, C. Masson, Data Mining Query Languages, Chapter 1 in: The Data 
Mining and Knowledge Discovery Handbook, O. Maimon and L. Rokach (Eds.), Springer, 
2005, pp. 715-727.
33
33
7.4. Hỗ trợ của các DBMS ngày nay 
dành cho khai phá dữ liệu
‡ The SQL Multimedia and Applications Packages Standard (SQL/MM)
„ An initiative developed and published by the International 
Organization for Standardization (ISO)
„ Includes:
‡ Part 1: Framework
‡ Part 2: Full-Text
‡ Part 3: Spatial
‡ Part 5: Still Image
‡ Part 6: Data Mining
„ Part 6 specifies an SQL interface to data mining applications and 
services through accessing data from SQL/MM-compliant relational 
databases.
‡ A standardized interface to data mining algorithms that can be layered 
atop any objectrelational database system and even deployed as 
middle-ware when required
ƒ A collection of user-defined types provided for the key data mining functions, namely,
Association Rule Discovery, Clustering, Classification and Regression
Source: S. S. Anand, M. Grobelnik, F. Herrmann, D. Wettschereck, M. Hornick, C. Lingenfelder, N.
Rooney, Knowledge discovery standards, Artif Intell Rev (2007) 27:21-56.
34
34
7.4. Hỗ trợ của các DBMS ngày nay 
dành cho khai phá dữ liệu
‡ The SQL Multimedia and Applications 
Packages Standard (SQL/MM) – Part 6
„ User-defined types related to data
‡ DM_LogicalDataSpec
ƒ an abstraction for a set of data mining fields identified by 
their names
‡ DM_MiningData
ƒ a description of data contained in tables, which represents 
the metadata required to access the data during training,
test or application runs.
‡ DM_ApplicationData
ƒ used to submit a single record of data for model application.
Source: S. S. Anand, M. Grobelnik, F. Herrmann, D. Wettschereck, M. Hornick, C. Lingenfelder,
N. Rooney, Knowledge discovery standards, Artif Intell Rev (2007) 27:21-56.
35
35
7.4. Hỗ trợ của các DBMS ngày nay 
dành cho khai phá dữ liệu
‡ The SQL Multimedia and Applications Packages 
Standard (SQL/MM) – Part 6
„ User-defined types related to the mining phases
‡ Training phase (CRISP-DM modelling)
ƒ DM_Settings, DM_BldTask, 
DM_Model
‡ Testing phase (CRISP-DM evaluation)
ƒ DM_TestTask, DM_Model, 
DM_TestResult
‡ Application phase (CRISP-DM deployment)
ƒ DM_ApplTask, DM_Model,
DM_Result, DM_ApplicationData
Source: S. S. Anand, M. Grobelnik, F. Herrmann, D. Wettschereck, M. Hornick, C. Lingenfelder,
N. Rooney, Knowledge discovery standards, Artif Intell Rev (2007) 27:21-56.
36
36
7.4. Hỗ trợ của các DBMS ngày nay 
dành cho khai phá dữ liệu
Source: S. S. Anand, M. Grobelnik, F. Herrmann, D. Wettschereck, M. Hornick, C. Lingenfelder, N. Rooney,
Knowledge discovery standards, Artif Intell Rev (2007) 27:21-56.
37
37
7.4. Hỗ trợ của các DBMS ngày nay 
dành cho khai phá dữ liệu
Source: S. S. Anand, M. Grobelnik, F. Herrmann, D. Wettschereck, M. Hornick, C. Lingenfelder,
N. Rooney, Knowledge discovery standards, Artif Intell Rev (2007) 27:21-56.
The application retrieves the model with the statement:
and calls the following to compute the predicted class:
38
38
7.4. Hỗ trợ của các DBMS ngày nay 
dành cho khai phá dữ liệu
‡ A number of vendor specific mining extensions to SQL
„ Microsoft’s OLE DB for Data Mining (OLE-DB 2000): an approach which is 
specially designed for data mining needs—it combines SQL with a low level 
API (a set of COM interfaces) to achieve interoperability with other client and 
server technologies.
‡ MS Naïve Bayes, MS Decision Trees, MS Time Series, MS Clustering, MS Sequence 
Clustering, MS Association Rules, MS Neural Network
„ IBM’s DB2 Intelligent Miner products contain a set of DB2 database extenders 
(DB2-IM 2004): incorporate data mining functionality into standard database 
SQL language in a relatively standard way.
‡ Functionality is based on IBM’s “Intelligent Miner” data mining product, now part of 
the IBM DB2 Data Warehouse Edition V9.1.
‡ Intelligent Miner fully implements SQL/MM data mining as well as most of PMML
„ Oracle Data Mining (Oracle 2004): a set of functions available in Oracle’s 
database and accessible though PL/SQL (programming language available to 
database programmers) and through a Java interface.
‡ Decision Tree, Generalized Linear Models, Minimum Description Length, Naïve Bayes, 
Support Vector Machines, Apriori, k-Means, Non-Negative Matrix Factorization, One 
Class Support Vector Machine, Orthogonal Partitioning Clustering
Source: S. S. Anand, M. Grobelnik, F. Herrmann, D. Wettschereck, M. Hornick, C. Lingenfelder, N. Rooney,
Knowledge discovery standards, Artif Intell Rev (2007) 27:21-56.
39
39
7.5. Tóm tắt
‡ Data mining: “extracting or mining knowledge from large 
amounts of data”
„ Need for effective and efficient data management
„ Need for effective and efficient knowledge management
Æ Database technologies: conceptual >> logical >> physical issues
‡ Data mining query languages: MSQL, MINE RULE, DMQL, OLE DB 
for DM
„ Data mining seems to be less non-trivial to users.
‡ Current support for data mining from DBMSs
„ From SQL standards: SQL/MM Part 6 for data mining functions: 
Association Rule Discovery, Clustering, Classification and Regression
„ From Commercial DBMSs: Microsoft’s OLE DB for DM, IBM’s 
Intelligent Miner, Oracle Data Mining
„ From Open source DBMSs: easily associated with open source data 
mining libraries
40
40
Hỏi & Đáp