Cho tập ví dụ học như bảng. Sử dụng thuật toán ILA. Với bảng Play Ball = No ta tìm được các luật sau:

If Outlook = Overcast Then Play Ball = No và If Outlook = Sunny and Temperature = Cold Then Play Ball = Yes

If Humidity = Normal Then Play Ball = Yes

If Humidity = Weak Then Play Ball = Yes và If Outlook = Overcast Then Play Ball = Yes

If Outlook = Sunny Then Play Ball = Yes và If Wind = Strong Then Play Ball = Yes

Outlook = Overcast

Wind = Weak

Outlook = Sunny

Humidity = Normal

d = sqr(sqrt(x1 - x2) + sqrt(y1 - y2)), trong đó sqr là hàm bình phương, sqrt là hàm lấy căn

d = sqr(sqrt(x1 + x2) + sqrt(y1 + y2)), trong đó sqr là hàm bình phương, sqrt là hàm lấy căn

d = x1 * x2 + y1 * y2

Công thức khác

d(A, B) = 5

d(A, B) = 3

d(A, B) = 4

d(A, B) = 1

mC = (x1 + x2 + ... + xk) / k

mC = (x1 + x2 + ... + xk)

mC = (x1 + x2 + ... + xk) / N

mC = (x1 + x2 + ... + xk) / k * N

Tính lại tâm của các cụm

Tính khoảng cách giữa các phần tử trong cụm

Tìm một số phần tử đại diện của cụm

Trộn các cụm lại với nhau để số cụm sinh ra là ít nhất

Thuật toán khó cài đặt

Không đảm bảo đạt được tối ưu toàn cục

Khó phát hiện các loại cụm có hình dạng phức tạp và nhất là các dạng cụm không lồi

Cần phải xác định trước số cụm k

Không thể gán (hoặc gán lại) từng điểm vào cụm khác

Số cụm sinh ra là k

Tùy theo yêu cầu của người dùng

Khi tất cả các phần tử đã được gán vào k cụm

C1 = {x1, x2, x3, x4}; C2 = {x5}

C1 = {x1, x2, x3}; C2 = {x4, x5}

C1 = {x1, x2}; C2 = {x3, x4, x5}

C1 = {x1, x2}; C2 = {x4, x5}; C3 = {x3}

Data Mining là một bước trong quá trình khai phá tri thức-KDD

Thuật ngữ Data Mining đồng nghĩa với thuật ngữ Knowledge Discovery from Databases

Data Mining là quá trình tìm kiếm thông tin có ích trên Internet

Tiền xử lí dữ liệu là quá trình tìm kiếm thông tin có ích từ cơ sở dữ liệu lớn