Khai phá tập mục thường xuyên đóng trong cơ sở dữ liệu và ứng dụng

i

LỜI CẢM ƠN

Trước hết em xin gửi lời cảm ơn đến TS. Nguyễn Huy Đức, người thầy đã
hướng dẫn em rất nhiều trong suốt quá trình tìm hiểu, nghiên cứu và hoàn thành
luận văn tốt nghiệp từ lý thuyết đến ứng dụng. Sự hướng dẫn của thầy đã giúp em
có thêm được những hiểu biết khai phá dữ liệu và ứng dụng của nó.
Đồng thời em cũng xin chân thành cảm ơn các thầy cô trong trường cũng như
các thầy cô ở Viện Khoa học và công nghệ Việt Nam đã tận tình giảng dạy, trang bị
cho em những kiến thức cơ bản cần thiết để em có thể hoàn thành tốt luận văn.
Em xin gửi lời cảm ơn đến gia đình, bạn bè đã tạo mọi điều kiện thuận lợi để
em có thể xây dựng thành công luận văn này.

Thái Nguyên, tháng 06 năm 2013
Học viên
Lê Thị Tuyết Nhung


ii

LỜI CAM ĐOAN
Tôi xin cam đoan đề tài “Khai phá tập mục thường xuyên đóng trong cơ sở
dữ liệu và ứng dụng ” là công trình nghiên cứu của bản thân tôi. Các số liệu và kết
quả nghiên cứu nêu trong luận văn này là trung thực, được các tác giả cho phép sử
dụng và các tài liệu tham khảo như đã trình bày trong luận văn. Tôi xin chịu trách
nhiệm về luận văn của mình.


iii

MỤC LỤC
Lời cảm ơn

i

Lời cam đoan
MỤC LỤC
DANH MỤC CÁC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT
DANH MỤC CÁC BẢNG
DANH MỤC HÌNH VẼ
MỞ ĐẦU
Chương 1: Tổng quan về khai phá dữ liệu và khai phá tập mục thường

ii
iii
v
vi
vii
1

xuyên

2

1.1 Khái niệm về khai phá tri thức và khai phá dữ liệu

2

1.2 Kiến trúc của hệ thống khai phá dữ liệu

4

1.3 Quá trình khai phá dữ liệu

5

1.4 Một số kỹ thuật khai phá dữ liệu

8

1.4.1 Phân lớp và dự đoán (Classification & Prediction)

8

1.4.2 Luật kết hợp (Association Rules)

11

1.4.3 Khai thác mẫu tuần tự (Sequential/ Temporal patterns)

11

1.4.4 Phân nhóm - đoạn (Clustering/ Segmentation)

11

1.4.5 Hồi quy (Regression)

12

1.4.6 Tổng hợp hóa (Summarization)

12

1.4.7 Mô hình hóa sự phụ thuộc (dependency modeling)

12

1.4.8 Phát hiện sự biến đổi và độ lệch (Change and deviation detection)

13

1.5 Các cơ sở dữ liệu phục vụ cho khai phá dữ liệu

13

1.6 Một số ứng dụng của khai phá dữ liệu

14

1.7 Khai phá luật kết hợp

14

1.7.1 Bài toán phát hiện luật kết hợp

14

1.7.2 Các khái niệm

15

1.7.3 Các cách tiếp cận khai phá tập mục thường xuyên

18

1.7.4 Một số thuật toán điển hình tìm tập mục thường xuyên

19

1.7.4.1 Thuật toán Apriori (Phương pháp sinh ứng viên)

19

1.7.4.2 Thuật toán FP-Growth

23


iv

1.8 Kết luận chương 1
Chương 2: Khai phá tập mục thường xuyên đóng trong cơ sở dữ liệu

31
32

2.1 Cơ sở toán học của tập mục thường xuyên đóng

32

2.1.1 Ánh xạ đóng

32

2.1.2 Tập đóng

32

2.1.3 Kết nối Galois

32

2.1.4 Bao đóng của tập mục dữ liệu

33

2.2 Khái niệm, tính chất tập mục thường xuyên đóng

34

2.3 Một số thuật toán điển hình khai phá tập mục thường xuyên đóng

35

2.3.1 Thuật toán CHARM (Phương pháp dựa trên cây IT-Tree)

35

2.3.1.1 Giới thiệu thuật toán CHARM

35

2.3.1.2. Cây tìm kiếm và lớp tương đương

35

2.3.1.3 Các tính chất cơ bản của cặp tập mục – tập định danh

36

2.3.1.4 Thiết kế thuật toán

37

2.3.2 Thuật toán Closet +

41

2.4 Kết luận chương 2
Chương 3: Chương trình thực nghiệm ứng dụng trong lĩnh vực y tế

45
46

3.1 Bài toán phát hiện luật kết hợp trong dữ liệu y tế

46

3.2 Xây dựng chương trình

50

3.3 Kết quả thực nghiệm

57

3.4 Nhận xét

58

KẾT LUẬN

59

TÀI LIỆU THAM KHẢO

60

PHỤ LỤC

62


v

DANH MỤC CÁC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT
Ký hiệu

Diễn giải

Ck

Tập các k tập mục ứng viên

BFS

Breadth First Search

CSDL

Cơ sở dữ liệu

CHARM

Closed Asociation RuleMning

DB

Cơ sở dữ liệu giao tác

DFS

Depth First Search

FP -growth

Frequent -Pattern Growth

FP -tree

Frequent pattern tree

IT-tree

Itemset-Tidset tree

I

Tập các mục dữ liệu

k-itemset

Tập mục gồm k mục

KPDL

Khai phá dữ liệu

Minsup

Ngưỡng hỗ trợ tối thiểu

Lk

Tập các k-tập mục thường xuyên

Supp

Độ hỗ trợ (support)

TID

Định danh của giao tác

T

Giao tác (transaction)

DL

Dữ liệu

TX

Thường xuyên

TTHN

Tình trạng hôn nhân


vi

DANH MỤC CÁC BẢNG
Bảng 1.1 Cơ sở dữ liệu giao tác minh họa thực hiện thuật toán Apriori
Bảng 1.2: CSDL giao tác minh họa cho thuật toán FP-Growth
Bảng 2.1: a) CSDL giao tác biểu diễn ngang b) CSDL giao tác biểu diễn dọc
Bảng 3.1 : Dữ liệu bệnh hen suyễn
Bảng 3.2: Lựa chọn thuộc tính

Bảng 3.3: Thuộc tính “Tuổi” sau khi phân hoạch
Bảng 3.4: Dữ liệu tìm kiếm sau khi thực hiện phân loại dữ liệu
Bảng 3.5: Chuyển đổi dữ liệu
Bảng 3.6: Dữ liệu cho khai phá


vii

DANH MỤC HÌNH VẼ
Hình 1.1: Kiến trúc của một hệ thống khai phá dữ liệu
Hình 1.2: Quá trình khám phá tri thức
Hình 1.3: Quá trình khai phá dữ liệu
Hình 1.4: Cây FP-tree được xây dựng dần khi thêm các giao tác t1 ÷ t6
Hình 1.5: Cây FP-tree của CSDL DB trong bảng 1.5
Hình 2.1: Kết nối Galois
Hình 2.2: Cây IT-tree dùng Tidset với minSup =3
Hình 2.3: Cây IT-tree tìm tập mục thường xuyên đóng thỏa mãn ngưỡng minsup =
50%
Hình 2.4: Áp dụng tính chất của tập thường xuyên đóng
Hình 2.5: Minh họa xây dựng cây kết quả
Hình 3.1: Mô hình khai phá cho dữ liệu y tế
Hình 3.2: Giao diện chính chứa dữ liệu gốc
Hình 3.3: Hiển thị dữ liệu chuyển đổi
Hình 3.4: Giao diện thêm mới bản ghi


1

MỞ ĐẦU
Khai phá dữ liệu (Data Mining), hiện nay đang được rất nhiều người chú ý. Nó

thực sự đã đem lại những lợi ích đáng kể trong việc cung cấp những thông tin tiềm
ẩn trong các cơ sở dữ liệu lớn, giúp người sử dụng thu được những tri thức hữu ích
từ những cơ sở dữ liệu hoặc các kho dữ liệu khổng lồ khác. Những “tri thức” chiết
xuất từ nguồn cơ sở dữ liệu đó phục vụ các yêu cầu trợ giúp quyết định ngày càng
có ý nghĩa quan trọng và là nhu cầu to lớn trong mọi lĩnh vực hoạt động kinh doanh,
quản lý. Tiến hành công việc như vậy chính là thực hiện quá trình phát triển tri thức
trong cơ sở dữ liệu (Knowledge Discovery in Database) mà trong đó kỹ thuật khai
phá dữ liệu (Data Mining) cho phép phát hiện những tri thức tiềm ẩn.
Một trong các nội dung cơ bản trong khai phá dữ liệu là khai phá luật kết hợp.
Khai phá luật kết hợp gồm hai bước: Bước thứ nhất, tìm tất cả các tập mục thường
xuyên, đòi hỏi sự tính toán lớn. Bước thứ hai, dựa vào các tập mục thường xuyên
tìm các luật kết hợp, đòi hỏi tính toán ít hơn, song gặp phải một vấn đề là có thể
sinh ra quá nhiều luật, vượt khỏi sự kiểm soát của người khai phá hoặc người dùng,
trong đó có nhiều luật không cần thiết. Để giải quyết vấn đề đó, trong bước thứ
nhất, không cần thiết khai phá tất cả các tập mục thường xuyên mà chỉ cần khai phá
các tập mục thường xuyên đóng. Khai phá luật kết hợp dựa trên tập mục thường
xuyên đóng cho hiệu quả cao hơn, nó đảm bảo không tìm ra các tập mục thường
xuyên không cần thiết, không sinh ra các luật dư thừa.
Với ý nghĩa đó và mục đích tìm hiểu về bài toán tìm tập mục thường xuyên
trong cơ sở dữ liệu lớn, em đã quyết định lựa chọn đề tài “Khai phá tập mục thường
xuyên đóng trong cơ sở dữ liệu và ứng dụng”.
Nội dung luận văn gồm 3 chương:
Chương 1: Tổng quan về khai phá dữ liệu và khai phá tập mục thường xuyên
Chương 2: Khai phá tập mục thường xuyên đóng trong cơ sở dữ liệu
Chương 3: Chương trình thực nghiệm ứng dụng trong lĩnh vực y tế


2

CHƯƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU

VÀ KHAI PHÁ TẬP MỤC THƯỜNG XUYÊN
1.1 Khái niệm về khai phá tri thức và khai phá dữ liệu
"Khám phá tri thức là quá trình tìm ra những tri thức, đó là những mẫu tìm ẩn,
trước đó chưa biết và là thông tin hữu ích đáng tin cậy". Còn khai phá dữ liệu
(KPDL) là một bước quan trọng trong quá trình khám phá tri thức, sử dụng các
thuật toán KPDL chuyên dùng với một số qui định về hiệu quả tính toán chấp nhận
được để chiết xuất ra các mẫu hoặc các mô hình có ích trong dữ liệu. Nói một cách
khác, mục đích của khám phá tri thức và KPDL chính là tìm ra các mẫu hoặc mô
hình đang tồn tại trong các cơ sở dữ liệu (CSDL) nhưng vẫn còn bị che khuất bởi hàng
núi dữ liệu.
Khám phá tri thức từ CSDL là một quá trình sử dụng các phương pháp và công
cụ tin học, trong đó con người là trung tâm của quá trình. Do đó, con người cần phải
có kiến thức cơ bản về lĩnh vực cần khám phá để có thể chọn được tập con dữ liệu
tốt, từ đó phát hiện các mẫu phù hợp với mục tiêu đề ra. Đó chính là tri thức, được
rút ra từ CSDL, thường để phục vụ cho việc giải quyết một loạt nhiệm vụ nhất định
trong một lĩnh vực nhất định. Tuy vậy, quá trình khám phá tri thức mang tính chất
hướng nhiệm vụ vì không phải là mọi tri thức tìm được đều áp dụng vào thực tế được.
Để có được những thông tin quý báu chúng ta phải tìm ra các mẫu có trong tập
CSDL trước. Việc đánh giá các mẫu được tìm thấy cũng là một điều thú vị và tất
yếu có tính chất quyết định đến sự sử dụng hay không sử dụng chúng. Đầu ra của
một chương trình là khám phá những mẫu có ích được gọi là tri thức. Tri thức được
khám phá có các đặc điểm chính:
- Kiến thức cao cấp: Ngày càng có nhiều câu hỏi mang tính chất định tính cần
phải trả lời dựa trên một khối lượng dữ liệu khổng lồ đã có. Quá trình để tìm ra
kiến thức như vậy không phải từ những phương pháp thống kê cổ điển mà mà
nó được được đúc kết từ các kinh nghiệm đã có, được thể hiện trong dữ liệu, những
kết quả đó có thể lĩnh hội được.


3

- Độ chính xác: Dù cho những mẫu khai phá thật sự có trong CSDL hay không
thì việc đo lường trị giá của chúng là bắt buộc phải có. Chúng ta sẽ chỉ sử dụng
những mẫu nào có độ chính xác càng cao thì hiệu quả công việc đạt được càng
lớn, những mẫu có độ chính xác chưa được xác định rõ ràng hoặc không cao thì
không nên sử dụng chúng.
- Tính hấp dẫn: Khám phá tri thức được coi là lý thú vì nó có thể vạch ra các
xu hướng một cách hoàn thiện. Đó là những điều mới lạ hay những quy trình
tìm năng, hữu ích ẩn chứa từ trong dữ liệu trước đó.
- Tính hiệu quả: thời gian chạy của thuật toán khám phá tri thức trên CSDL
lớn có thể dự tính và chấp nhận được.
Dữ liệu là tập hợp những bộ thông tin chính xác và quá trình khám phá tri thức
được xem là sự lọc bỏ các dư thừa, được rút gọn tới mức tối thiểu chỉ để lại các đặc
trưng cơ bản cho dữ liệu. Tri thức được tìm thấy là các thông tin tích hợp, bao gồm
các sự kiện và các mối quan hệ trong chúng. Các mối quan hệ này có thể được hiểu ra,
có thể được phát hiện, hoặc có thể được học.
Nếu khám phá tri thức là toàn bộ quá trình chiết xuất tri thức từ các CSDL thì
KPDL là giai đoạn chủ yếu của quá trình đó. KPDL là một quá trình phát hiện các
mẫu mới, thường bao gồm việc thử tìm mô hình phù hợp với tập dữ liệu và tìm
kiếm các mẫu từ tập dữ liệu theo mô hình đó. Sử dụng các kỹ thuật và các khái niệm
của các lĩnh vực đã được nghiên cứu từ trước như: học máy, nhận dạng, thống kê, hồi
quy, xếp loại, phân nhóm, các mô hình đồ thị, các mạng Bayes,… Hầu hết các CSDL
đều chứa rất nhiều các mẫu mới và có ích, tuy nhiên mẫu có giá trị với mục tiêu đặt ra
phải là những mẫu không tầm thường. Để các mẫu trở nên không tầm thường, hệ
thống phải làm nhiều hơn là chỉ mò mẫm thống kê vì kết quả của việc tính toán trực
tiếp qua công tác thống kê là đã có đối với người dùng. Một hệ thống tìm kiếm cần
phải có khả năng quyết định cần thực hiện tính toán nào và kết quả là có đáng quan
tâm để tạo nên tri thức trong ngữ cảnh hiện tại hay không.
KPDL được sử dụng để tạo ra giả thuyết. Ví dụ như để xác định các yếu tố rủi
ro khi cho vay tín dụng, kỹ thuật KPDL phải phát hiện được những người có thu

4

nhập thấp và nợ nhiều là những người sẽ có mức rủi ro cao. Ngoài ra kỹ thuật cũng
có thể phát hiện ra những quy luật mà nhà phân tích có thể chưa tìm ra ví dụ như tỷ
lệ giữa thu nhập trên nợ và tuổi cũng là các yếu tố xác định mức rủi ro. Để làm được
điều này, KPDL sử dụng các thông tin trong quá khứ để học. Nó sẽ tìm kiếm các
thông tin này trong các CSDL và sử dụng chúng để tìm ra các mẫu đáng quan tâm.
Nếu xét về mặt ý tưởng và mục đích ứng dụng, KPDL là một nhu cầu tất yếu, một
sự nhạy cảm đáp lại sự mong mỏi của giới kinh doanh thì về mặt kỹ thuật, đó thực
sự là một khó khăn và là cả sự thách thức đối với những nhà khoa học. KPDL được
xây dựng dựa trên việc sử dụng các giải thuật mới, được định hướng theo như cầu
kinh doanh để có thể giải quyết tự động các bài toán kinh doanh bằng các kỹ thuật dễ
dùng và có thể hiểu được. Các kỹ thuật đang được nghiên cứu và sử dụng hiện nay bao
gồm cây quyết định (CART, CHAID, AID), mạng neuron, phương pháp láng giềng
gần nhất, các luật suy diễn,… KPDL không thuộc một ngành công nghiệp nào. Nó sử
dụng các kỹ thuật thông minh để khai phá các tri thức tiềm ẩn trong dữ liệu.
1.2 Kiến trúc của hệ thống khai phá dữ liệu
Kiến trúc của một hệ thống KPDL điển hình có thể có các thành phần như hình
1.1 [8]:
Dữ liệu thực
Mẫu ước lượng

Công cụ khai thác

Cơ sở tri thức

DL
Kho dữ liệu

Cơ sở tri thức

Kho dữ liệu

Nơi chứa
DL khác

Hình 1.1: Kiến trúc của một hệ thống khai phá dữ liệu


5

- CSDL, kho dữ liệu hoặc nơi lưu trữ thông tin khác (Databases, Data
warehouse,...): Đây là một hay một tập các CSDL, các kho dữ liệu, các trang tính
hay các dạng lưu trữ thông tin khác. Các kỹ thuật làm sạch dữ liệu và tích hợp dữ
liệu có thể được thực hiện trên những dữ liệu này.
- Máy chủ CSDL hay máy chủ kho dữ liệu (Database or warehouse server):
Máy chủ này có trách nhiệm lấy những dữ liệu thích hợp dựa trên các yêu cầu khai
phá của người dùng.
- Cơ sở tri thức (Knowledge base): Đây là miền tri thức được dùng để hướng
dẫn việc tìm kiếm hay đánh giá độ quan trọng của các hình mẫu kết quả.
- Máy KPDL (Data mining engine): Một hệ thống KPDL cần phải có một tập
các môđun chức năng để thực hiện công việc như: đặc trưng hóa, kết hợp, phân lớp,
phân cụm, phân tích sự tiến hóa.
- Môđun đánh giá mẫu (Pattern evaluation): Bộ phận này tương tác với các
môđun KPDL để duyệt tìm các mẫu đáng được quan tâm. Nó có thể dùng các
ngưỡng về độ quan tâm để lọc mẫu đã khám phá được. Cũng có thể môđun đánh giá
mẫu được tích hợp vào môđun khai phá, tùy theo sự cài đặt của phương pháp khai
phá được dùng.

- Giao diện đồ họa người dùng (Graphical user interface): Bộ phận này cho
phép người dùng giao tiếp với hệ thống KPDL. Ngoài ra, bộ phận này còn cho phép
người dùng xem các lược đồ CSDL, lược đồ kho dữ liệu (hay các cấu trúc dữ liệu),
các đánh giá mẫu và hiển thị các mẫu trong khuôn dạng khác nhau.
1.3 Quá trình khai phá dữ liệu


6

Hình 1.2: Quá trình khám phá tri thức
Quá trình khám phá tri thức từ CSDL là một quá trình có sử dụng nhiều phương
pháp và công cụ tin học nhưng vẫn là một quá trình mà trong đó con người là trung
tâm. Do đó, nó không phải là một hệ thống phân tích tự động mà là một hệ thống bao
gồm nhiều hoạt động tương tác thường xuyên giữa con người và CSDL, tất nhiên là
với sự hỗ trợ của các công cụ tin học. Người sử dụng hệ thống ở đây phải là người
có kiến thức cơ bản về lĩnh vực cần phát hiện tri thức để có thể chọn được đúng các
tập con dữ liệu, các lớp mẫu phù hợp và đạt tiêu chuẩn quan tâm so với mục đích. Tri
thức mà ta nói ở đây là các tri thức rút ra từ các CSDL, thường để phục vụ cho việc
giải quyết một loạt nhiệm vụ nhất định trong một lĩnh vực nhất định. Do đó, quá trình
phát hiện tri thức cũng mang tính chất hướng nhiệm vụ, không phải là phát hiện mọi
tri thức bất kỳ mà là phát hiện tri thức nhằm giải quyết tốt nhiệm vụ đề ra.
(1) Gom dữ liệu (Gathering): Tập hợp dữ liệu là bước đầu tiên trong quá trình khai
phá dữ liệu. Đây là bước được khai thác trong một CSDL, một kho dữ liệu và thậm
chí các dữ liệu từ các nguồn ứng dụng Web.
(2) Trích lọc dữ liệu (Selection): Ở giai đoạn này lựa chọn những dữ liệu phù hợp
với nhiệm vụ phân tích trích rút từ CSDL.
(3) Làm sạch, tiền xử lý và chuẩn bị trước dữ liệu (Cleansing, Pre-processing and
Preparation)
Giai đoạn thứ ba này là giai đoạn hay bị sao lãng, nhưng thực tế nó là một bước rất
quan trọng trong quá trình khai phá dữ liệu. Một số lỗi thường mắc phải trong khi

gom dữ liệu là tính không đủ chặt chẻ, logic. Vì vậy, dữ liệu thường chứa các giá trị
vô nghĩa và không có khả năng kết nối dữ liệu, ví dụ: điểm = -1. Giai đoạn này sẽ
tiến hành xử lý những dạng dữ liệu không chặt chẽ nói trên. Những dữ liệu dạng
này được xem như thông tin dư thừa, không có giá trị. Bởi vậy, đây là một quá trình
rất quan trọng vì dữ liệu này nếu không được "làm sạch" sẽ gây nên những kết quả
sai lệch nghiêm trọng.
(4) Chuyển đổi dữ liệu (Transformation): Tiếp theo là giai đoạn chuyển đổi dữ liệu,
dữ liệu được chuyển đổi hay được hợp nhất về dạng thích hợp cho việc khai phá.


7

(5) Khai phá dữ liệu (Data Mining): Đây là một tiến trình cốt yếu. Ở giai đoạn này
nhiều thuật toán khác nhau đã được sử dụng một cách phù hợp để trích xuất thông
tin có ích hoặc cá mẫu điển hình trong dữ liệu.
(6) Đánh giá kết quả mẫu (Evaluation of Result): Đây là giai đoạn cuối trong quá
trình khai phá dữ liệu. Ở giai đoạn này, các mẫu dữ liệu được chiết xuất, không phải
bất cứ mẫu dữ liệu nào cũng đều hữu ích, đôi khi nó còn bị sai lệch. Vì vậy, cần phải
ưu tiên những tiêu chuẩn đánh giá để chiết xuất ra các tri thức cần thiết.
Từ quá trình khám phá tri thức trên chúng ta thấy được sự khác biệt giữa khám
phá tri thức và khai phá dữ liệu. Trong khi khám phá tri thức là nói đến quá trình
tổng thể phát hiện tri thức hữu ích từ dữ liệu. Còn KPDL chỉ là một bước trong quá
trình khám phá tri thức, các công việc chủ yếu là xác định được bài toán khai phá,
tiến hành lựa chọn phương pháp KPDL phù hợp với dữ liệu có được và tách ra các tri
thức cần thiết.
Quá trình khai phá dữ liệu được thể hiện bởi mô hình sau:
Thống kê
Xác định
nhiệm vụ

Xác định
dữ liệu
liên quan

Thu thập
và tiền xử
lý dữ liệu

tóm tắt

Giải thuật
khai phá
dữ liệu

Mẫu

DL trực tiếp

Hình 1.3: Quá trình khai phá dữ liệu
- Xác định nhiệm vụ: Xác định chính xác vấn đề cần giải quyết.
- Xác định các dữ liệu liên quan dùng để xây dựng giải pháp.
- Thu thập các dữ liệu có liên quan và xử lý chúng thành dạng sao cho giải thuật
KPDL có thể hiểu được. Ở đây có thể gặp một số vấn đề: Dữ liệu phải được sao ra
nhiều bản (nếu được chiết suất vào các tệp), quản lý tập các tệp dữ liệu, phải lặp đi
lặp lại nhiều lần toàn bộ quá trình (nếu mô hình dữ liệu thay đổi,...).
- Chọn thuật toán KPDL thích hợp và thực hiện việc KPDL: nhằm tìm được các
mẫu (pattern) có ý nghĩa dưới dạng biểu diễn tương ứng với các ý nghĩa đó.


8

1.4 Một số kỹ thuật khai phá dữ liệu
Các kỹ thuật KPDL được có thể chia làm 2 nhóm chính:
- Kỹ thuật KPDL mô tả: có nhiệm vụ mô tả về các tính chất hoặc các đặc tính
chung của dữ liệu trong CSDL hiện có. Nhóm kỹ thuật này gồm các phương pháp:
phân nhóm (Clustering), tổng hợp hóa (Summerization), phát hiện sự biến đổi và độ
lệch (Change and deviation detection), phân tích luật kết hợp (Association Rules), ...
- Kỹ thuật KPDL dự đoán: có nhiệm vụ đưa ra các dự đoán dựa vào các suy
diễn trên dữ liệu hiện thời. Nhóm kỹ thuật này gồm các phương pháp: phân lớp
(Classification), hồi quy (Regression), ...
1.4.1 Phân lớp và dự đoán (Classification & Prediction)
Là đặt các mẫu vào các lớp được xác định trước. Nhiệm vụ chính là tìm các hàm ánh
xạ các mẫu dữ liệu một cách chính xác vào trong các lớp.Ví dụ một ngân hàng
muốn phân loại các khách hành của họ vào trong hai nhóm có nợ hay không nợ, từ
đó giúp họ ra quyết định cho vay hay không cho vay. Quá trình phân lớp dữ liệu
thường gồm 2 bước: xây dựng mô hình và sử dụng mô hình để phân lớp dữ liệu.
- Bước 1: Một mô hình sẽ được xây dựng dựa trên việc phân tích các mẫu dữ
liệu sẵn có. Mỗi mẫu tương ứng với một lớp, được quyết định bởi một thuộc tính
gọi là thuộc tính lớp. Các mẫu dữ liệu này còn được gọi là tập dữ liệu huấn luyện
(training data set). Các nhãn lớp của tập dữ liệu huấn luyện đều phải được xác định
trước khi xây dựng mô hình, vì vậy phương pháp này còn được gọi là học có giám
sát (supervised learning) khác với phân nhóm dữ liệu là học không có giám sát
(unsupervised learning).
- Bước 2: Sử dụng mô hình để phân lớp dữ liệu. Trước hết chúng ta phải tính
độ chính xác của mô hình. Nếu độ chính xác là chấp nhận được, mô hình sẽ được sử
dụng để dự đoán nhãn lớp cho các mẫu dữ liệu khác trong tương lai.
Trong kỹ thuật phân lớp chúng ta có thể sử dụng các phương pháp như: Cây quyết
định (Decision Tree), K-Láng giềng gần nhất (k-Nearest Neighbor), Mạng Nơron
(Neural networks), Giải thuật di truyền (Genetic algorithms), Mạng Bayesian
(Bayesian networks), Tập mờ và tập thô (Rough and Fuzzy Sets).

9

a) Cây quyết định (Decision Tree)
Các kỹ thuật phân lớp sử dụng cây quyết định để phân tách các dữ liệu cho đến
khi mỗi phần chứa đựng hầu hết các mẫu từ một lớp đặc trưng, kết quả của quá trình
sẽ cho ra một cây quyết định. Điểm phân tách trong cây quyết định là một nút
(không phải là nút lá) sẽ sử dụng một số điều kiện để quyết định dữ liệu sẽ được
phân tách như thế nào. Các nút cuối cùng trong cây quyết định chứa đựng các bộ
mẫu giống nhau. Lợi thế của cây quyết định là các thuật toán chạy khá nhanh, với kết
quả khá tốt và có thể giải thích được rõ ràng. Tuy nhiên, bất lợi mà các thuật toán của
cây quyết định có thể gặp phải đó là chúng có thể tìm ra các điểm tới hạn cục bộ, đưa
ra các kết quả không đúng.
b) K-láng giềng gần nhất (k-Nearest Neighbor)
Thuật toán này tìm ra các láng giềng gần nhất của mẫu thử nghiệm và quy về
các nhãn lớp của chúng dựa trên các nhãn đa số, điều đó có nghĩa là các mẫu được
quy về cùng lớp khi chúng là lân cận của nhau. Kỹ thuật này cho rằng vị trí trong
không gian đặc trưng hàm ý một quan hệ họ hàng gần gũi ở giữa các nhãn lớp.
Lợi thế của các thuật toán K-Láng giềng gần nhất là dễ thực thi, và kết quả mà nó
đem lại khả năng dễ dàng giải thích. Nhưng một điểm bất lợi là các thuật toán này
đưa ra các mô hình rất lớn với một tập dữ liệu nhỏ.
c) Mạng nơron (Neural networks)
Mạng nơron là mạng được mô phỏng theo bộ não của con người. Đó là một cấu
trúc dữ liệu của các hàm với một hoặc nhiều trọng số đầu vào, với kết quả đầu ra là
một nhãn các lớp. Từng phần riêng biệt của dữ liệu được đưa vào mạng nơron và
các hàm - các trọng số trong mạng nơron bị thay đổi (học - huấn luyện) tùy theo tỷ
lệ lỗi của đầu ra. Phương pháp này thường đưa đến một khoảng thời gian huấn
luyện dài ngay cả khi tập dữ liệu nhỏ.
Lợi thế của mạng nơron là đưa đến các kết quả khá chính xác, nhưng bất lợi của

nó là thường đòi hỏi thời gian huấn luyện dài và đưa ra các kết quả khó hiểu, cứng
nhắc, bị bao bọc trong một hộp đen, khó giải thích tường minh.


10

d) Giải thuật di truyền (Genetic algorithms)
Các giải thuật di truyền được sử dụng để đưa ra công thức giả thuyết về sự phụ
thuộc giữa các biến. Đối với một giải thuật di truyền phải sử dụng các giải pháp như
cạnh tranh, lựa chọn và kết hợp giữa các tập hợp cá thể.
Lợi thế của Giải thuật di truyền là thường đưa đến các kết quả kiểm tra khá chính
xác, nhưng bất lợi của nó là kết quả có được thông qua việc lập trình tiến hóa và các
kết quả cũng thường cứng nhắc, khó hiểu.
e) Mạng Bayesian (Bayesian networks)
Trong mạng Bayesian sử dụng các đồ thị có hướng, không có chu trình để miêu
tả sự phân lớp có thể được. Các đồ thị này cũng có thể được sử dụng để miêu tả các
tri thức chuyên gia. Các nút miêu tả các biến thuộc tính và các trạng thái (sự kiện)
và mỗi một cạnh miêu tả khả năng sự phụ thuộc giữa chúng. Kết hợp với mỗi nút là
các lớp cục bộ có thể và các cung được vẽ từ nút nguyên nhân đến nút bị ảnh
hưởng. KPDL trong mạng Bayesian bao gồm việc sử dụng đầu vào các tri thức
chuyên gia và sau đó sử dụng một CSDL để cập nhật, lọc và cải tiến tri thức đó
trong mạng. Các đồ thị mới có thể là kết quả từ các cải tiến này và nguyên nhân của
các mối quan hệ giữa các nút kết quả có thể được giải thích một cách dễ dàng.
Lợi thế của mạng Bayesian là thường đưa ra các kết quả dễ hiểu, nhưng bất lợi
của nó là cần thu thập được các tri thức chuyên gia truyền thống.
f) Tập mờ và tập thô (Rough and Fuzzy Sets)
Lý thuyết về tập mờ và tập thô dựa trên một sơ sở toán học không chắc chắn.
Đối với các mô hình tập thô, một giới hạn trên và giới hạn dưới sẽ được xác định.
Một tập thô định nghĩa một lớp C là một xấp xỉ bởi hai tập. Tập cận dưới (lower)
của C bao gồm tất cả các mẫu dữ liệu, mà dựa vào tri thức của các mẫu dữ liệu có thể

quyết định một mẫu bất kỳ thuộc phân lớp C một cách rõ ràng. Tập cận trên của C bao
gồm tất cả các mẫu với giá trị của thuộc tính được mô tả không thể thuộc vào phân
lớp C. Mô hình tập mờ không dốc về cực đại cục bộ bằng các thuật toán cây quyết
định, và cũng giống như mô hình tập thô, chúng dùng để đối phó với những điều
không chắc chắn tốt hơn bất kỳ một thuật toán nào khác.


11

1.4.2 Luật kết hợp (Association Rules)
Luật kết hợp là dạng luật biểu diễn tri thức ở dạng tương đối đơn giản. Mục tiêu
của phương pháp này là phát hiện và đưa ra các mối liên hệ giữa các giá trị dữ liệu
trong CSDL. Mẫu đầu ra của giải thuật KPDL là tập luật kết hợp tìm được.
Tuy luật kết hợp là một dạng luật khá đơn giản nhưng lại mang rất nhiều ý
nghĩa. Thông tin mà dạng luật này đem lại rất có lợi trong các hệ hỗ trợ ra quyết
định. Tìm kiếm được những luật kết hợp đặc trưng và mang nhiều thông tin từ
CSDL tác nghiệp là một trong những hướng tiếp cận chính của lĩnh vực khai phá dữ
liệu.
1.4.3 Khai thác mẫu tuần tự (Sequential/ Temporal patterns)
Tương tự như khai thác luật kết hợp nhưng có thêm tính thứ tự và tính thời
gian. Một luật mô tả mẫu tuần tự có dạng tiêu biểu X -> Y phản ánh sự xuất hiện
của biến cố X sẽ dẫn đến việc xuất hiện kế tiếp biến cố Y. Hướng tiếp cận này có tính
dự báo cao.
1.4.4 Phân nhóm - đoạn (Clustering/ Segmentation)
Mục tiêu chính của việc phân nhóm dữ liệu là nhóm các đối tượng tương tự
nhau trong tập dữ liệu vào các nhóm sao cho mức độ tương tự giữa các đối tượng
trong cùng một nhóm là lớn nhất và mức độ tương tự giữa các đối tượng nằm trong
các nhóm khác nhau là nhỏ nhất. Các nhóm có thể tách nhau hoặc phân cấp gối lên
nhau và số lượng các nhóm là chưa biết trước. Một đối tượng có thể vừa thuộc
nhóm này, nhưng cũng có thể vừa thuộc nhóm khác. Không giống như phân lớp dữ

liệu, phân nhóm dữ liệu không đòi hỏi phải định nghĩa trước các mẫu dữ liệu huấn
luyện. Vì thế, có thể coi phân nhóm dữ liệu là một cách học bằng quan sát (learning
by observation), trong khi phân lớp dữ liệu là học bằng ví dụ (learning by example).
Trong phương pháp này bạn sẽ không thể biết kết quả các nhóm thu được sẽ như thế
nào khi bắt đầu quá trình. Vì vậy, thông thường cần có một chuyên gia về lĩnh vực
đó để đánh giá các nhóm thu được. Phân nhóm còn được gọi là học không có giám
sát (unsupervised learning). Phân nhóm dữ liệu được sử dụng nhiều trong các ứng
dụng về phân đoạn thị trường, phân đoạn khách hàng, nhận dạng mẫu, phân loại


12

trang Web, … Ngoài ra phân nhóm dữ liệu còn có thể được sử dụng như một bước tiền
xử lý cho các thuật toán KPDL khác.
1.4.5 Hồi quy (Regression)
Hồi quy là việc học một hàm ánh xạ từ một mẫu dữ liệu thành một biến dự đoán
có giá trị thực. Nhiệm vụ của hồi quy tương tự như phân lớp, điểm khác nhau chính
là ở chỗ thuộc tính để dự báo là liên tục chứ không rời rạc. Việc dự báo các giá trị
số thường được làm bởi các phương pháp thống kê cổ điển chẳng hạn như hồi quy
tuyến tính. Tuy nhiên phương pháp mô hình hóa cũng có thể được sử dụng như cây
quyết định.
1.4.6 Tổng hợp hóa (Summarization)
Là công việc liên quan đến các phương pháp tìm kiếm một mô tả tập con dữ
liệu. Kỹ thuật mô tả khái niệm và tổng hợp hóa thường áp dụng trong việc phân tích
dữ liệu có tính thăm dò và báo cáo tự động. Nhiệm vụ chính là sản sinh ra các mô tả
đặc trưng cho một lớp. Mô tả loại này là một kiểu tổng hợp, tóm tắt các đặc tính chung
của tất cả hay hầu hết các mục của một lớp. Các mô tả đặc trưng thể hiện theo luật có
dạng sau: "Nếu một mục thuộc về lớp đã chỉ trong tiền đề thì mục đó có tất cả các
thuộc tính đã nêu trong kết luận".
1.4.7 Mô hình hóa sự phụ thuộc (dependency modeling)

Là việc tìm kiếm một mô hình mô tả sự phụ thuộc giữa các biến, thuộc tính theo
hai mức. Mức cấu trúc của mô hình mô tả (thường dưới dạng đồ thị), trong đó, các
biến phụ thuộc bộ phận vào các biến khác. Và mức định lượng mô hình mô tả mức
độ phụ thuộc. Những phụ thuộc này thường được biểu thị dưới dạng theo luật "nếu thì" - nếu tiền đề đúng thì kết luận đúng. Về nguyên tắc, cả tiền đề và kết luận đều
có thể là sự kết hợp logic của các giá trị thuộc tính. Trên thực tế, tiền đề thường là
nhóm các giá trị thuộc tính và kết luận chỉ là một thuộc tính. Hơn nữa, hệ thống có
thể phát hiện các luật phân lớp trong đó tất cả các luật cần phải có cùng một thuộc
tính do người dùng chỉ ra trong kết luận. Quan hệ phụ thuộc cũng có thể biểu diễn
dưới dạng mạng tin cậy Bayes. Đó là đồ thị có hướng, không chu trình. Các nút biểu
diễn thuộc tính và trọng số của liên kết phụ thuộc giữa các nút đó.


13

1.4.8 Phát hiện sự biến đổi và độ lệch (Change and deviation detection)
Tập trung vào khám phá hầu hết sự thay đổi có nghĩa dưới dạng độ đo đã biết
trước hoặc giá trị chuẩn, phát hiện độ lệch đáng kể giữa nội dung của tập con dữ liệu
thực và nội dung mong đợi. Hai mô hình độ lệch hay dùng là lệch theo thời gian và
lệch theo nhóm. Độ lệch theo thời gian là sự thay đổi có ý nghĩa của dữ liệu thời gian.
Độ lệch theo nhóm là sự khác nhau của dữ liệu trong hai tập con dữ liệu, ở đây xét
cả trường hợp tập con dữ liệu này thuộc tập con kia. Nghĩa xác định dữ liệu trong
một nhóm con của đối tượng có khác đáng kể so với toàn bộ đối tượng không? Theo
cách này, sai sót dữ liệu hay sai lệch so với giá trị thông thường sẽ được phát hiện.
1.5 Các cơ sở dữ liệu phục vụ cho khai phá dữ liệu
Dựa vào những kiểu dữ liệu mà kỹ thuật khai phá áp dụng, có thể chia dữ liệu
thành các loại khác nhau.
Cơ sở dữ liệu quan hệ (relational databases): là những CSDL được tổ chức theo
mô hình quan hệ. Hiện nay, các hệ quản trị CSDL đều hỗ trợ mô hình này như: MS
Access, MS SQL Server, Oracle, IBM DB2,...
Cơ sở dữ liệu đa chiều (multidimention structures, data warehouse, data mart):

còn được gọi là nhà kho dữ liệu, trong đó dữ liệu được chọn từ nhiều nguồn khác
nhau và chứa những đặc tính lịch sử thông qua thuộc tính thời gian tường minh
hoặc ngầm định.
Cơ sở dữ liệu giao tác (transaction databases): là loại dữ liệu được sử dụng
nhiều trong siêu thị, thương mại, ngân hàng,...
Cơ sở dữ liệu quan hệ - hướng đối tượng (object relational databases): mô hình
CSDL này là lai giữa mô hình hướng đối tượng và mô hình CSDL quan hệ.
Cơ sở dữ liệu không gian và thời gian (spatial, temporal, and time - series data):
chứa những thông tin về không gian địa lý hoặc thông tin theo thời gian.
Cơ sở dữ liệu đa phương tiện (Multimedia database): là loại dữ liệu có nhiều
trên mạng, bao gồm các loại như âm thanh, hình ảnh, video, văn bản và nhiều kiểu
dữ liệu định dạng khác.


14

1.6 Một số ứng dụng của khai phá dữ liệu [13]
KPDL có nhiều ứng dụng trong thực tế, một số ứng dụng điển hình như:
- Bảo hiểm, tài chính và thị trường chứng khoán: phân tích tình hình tài chính và dự
báo giá của các loại cổ phiếu trong thị trường chứng khoán. Danh mục vốn và giá, lãi
suất, dữ liệu thẻ tín dụng, phát hiện gian lận,…
- Điều trị y học và chăm sóc y tế: một số thông tin về chẩn đoán bệnh lưu trong các
hệ thống quản lý bệnh viện. Phân tích mối liên hệ giữa triệu chứng bệnh, chẩn đoán
và phương pháp điều trị (chế độ dinh dưỡng, thuốc,…).
- Sản xuất và chế biến: qui trình, phương pháp chế biến và xử lý xử cố
- Text mining & Web mining: phân lớp văn bản và các trang web, tóm tắt văn bản,...
- Lĩnh vực khoa học: quan sát thiên văn, dữ liệu gene, dữ liệu sinh vật học, tìm
kiếm, so sánh các hệ gene và thông tin di truyền, mối liên hệ gene và các bệnh di
truyền,…
- Lĩnh vực khác: viễn thông, môi trường, thể thao, âm nhạc, giáo dục,…

1.7 Khai phá luật kết hợp [3]
1.7.1 Bài toán phát hiện luật kết hợp
Bài toán được Agrawal thuộc nhóm nghiên cứu của IBM đưa ra vào năm 1994.
Bài toán giỏ mua hàng trong siêu thị.
Giả định chúng ta có rất nhiều mặt hàng, ví dụ như “bánh mì”, “sữa. Khách
hàng khi đi siêu thị sẽ bỏ vào giỏ mua hàng của họ một số mặt hàng nào đó, và
chúng ta muốn tìm hiểu các khách hàng thường mua các mặt hàng nào đồng thời.
Nhà quản lý dùng những thông tin này để điều chỉnh việc nhập hàng về siêu thị, hay
đơn giản là để bố trí sắp xếp các mặt hàng gần nhau, hoặc bán các mặt hàng đó theo
một gói hàng, giúp cho khách hàng đỡ mất công tìm kiếm.
Bài toán trên hoàn toàn có thể áp dụng trong các lĩnh vực khác. Ví dụ:
- Giỏ hàng = văn bản. Mặt hàng = từ. Khi đó, những từ hay đi cùng nhau sẽ giúp
ta nhanh chóng tìm ra các lối diễn đạt, hay các khái niệm có mặt trong văn bản.


15

- Giỏ hàng = văn bản. Mặt hàng = câu. Khi đó, những văn bản có nhiều câu
giống nhau giúp phát hiện ra sự đạo văn, hay những “website đúp” (mirror website).
Khai phá luật kết hợp được môt tả như sự tương quan của các sự kiện - những sự
kiện xuất hiện thường xuyên một cách đồng thời. Nhiệm vụ chính của khai phá luật
kết hợp là phát hiện ra các tập con cùng xuất hiện trong một khối lượng giao dịch
lớn của một cơ sở dữ liệu cho trước. Nói cách khác, thuật toán khai phá luật kết hợp
cho phép tạo ra các luật mô tả các sự kiện xảy ra đồng thời (một cách thường
xuyên) như thế nào.
1.7.2 Các khái niệm
Cho I = {I1, I2, ... ,In} là tập hợp của n mục dữ liệu. Giả sử D là CSDL, với
các bản ghi chứa một tập con T các mục dữ liệu, T ⊆ I, các bản ghi đều có chỉ số
riêng. Một luật kết hợp là một mệnh đề kéo theo có dạng X → Y, trong đó X, Y ⊆
I, thỏa mãn điều kiện X ∩ Y = φ . Các tập hợp X và Y được gọi là các tập mục dữ

liệu (itemset). Tập X gọi là tiền đề, tập Y gọi là kết luận.
Có 2 độ đo quan trọng đối với luật kết hợp: Độ hỗ trợ (support) và độ tin cậy
(confidence) được định nghĩa như phần dưới đây.
* Khái niệm: Độ hỗ trợ
Định nghĩa 1.1: Độ hỗ trợ của một tập mục X trong CSDL D là tỷ số giữa các bản
ghi T ⊆ D có chứa tập X và tổng số bản ghi trong D (hay là phần trăm của các bản
ghi trong D có chứa tập mục X), ký hiệu là support(X) hay supp(X)

Ta có: 0 ≤ sup p ( X ) ≤ 1 với mọi tập hợp X.

∈

Định nghĩa 1.2: Độ hỗ trợ của một luật kết hợp XY là độ hỗ trợ của tập X ∪ Y .
Supp(XY) = Supp(X U Y)
Khi chúng ta nói rằng độ hỗ trợ của một luật là 50%, nghĩa là có 50% tổng số
bản ghi chứa X ∪ Y . Như vậy, độ hỗ trợ mang ý nghĩa thống kê của luật.


16

Trong một số trường hợp, chúng ta chỉ quan tâm đến những luật có độ hỗ trợ cao (ví
dụ như luật kết hợp xét trong cửa hàng tạp phẩm). Nhưng cũng có trường hợp, mặc
dù độ hỗ trợ của luật thấp, ta vẫn cần quan tâm (ví dụ luật kết hợp liên quan đến
nguyên nhân gây ra sự đứt liên lạc ở các tổng đài điện thoại).
* Khái niệm: Độ tin cậy
Định nghĩa 1.3: Độ tin cậy của một luật kết hợp XY là tỷ lệ giữa số lượng các bản
ghi trong D chứa X ∪ Y với số bản ghi trong D có chứa tập hợp X. Kí hiệu độ tin
cậy của một luật là conf(XY).
Conf(XY) = supp( X ∪ Y )/supp(X)
Nhận xét:

+ Ta có 0 ≤ conf(XY) ≤ 1.
+ Độ hỗ trợ và độ tin cậy có xác suất sau:
Supp(XY) = P( X ∪ Y )
Conf(XY) = P( Y / X )
Nói rằng độ tin cậy của một luật là 90%, nghĩa là có tới 90% số bản ghi chứa X
chứa luôn cả Y. Hay nói theo ngôn ngữ xác suất là: “Xác suất để xảy ra sự kiện Y
với điều kiện có X đạt 90%”.
Việc khai thác các luật kết hợp từ cơ sở dữ liệu chính là việc tìm tất cả các luật
có độ hỗ trợ và độ tin cậy do người sử dụng xác định trước. Các ngưỡng của độ hỗ
trợ và độ tin cậy được ký hiệu là minsup và mincof.
Ví dụ: Khi phân tích dữ liệu bán hàng của siêu thị ta được luật: 85% khách hàng
mua sữa thì cũng mua bánh mì, 30% thì mua cả hai thứ. Trong đó: “mua sữa” là tiền
đề còn “mua bánh mì ” là kết luận của luật. Con số 30% là độ hỗ trợ của luật còn
85% là độ tin cậy của luật.
Chúng ta nhận thấy rằng tri thức đem lại bởi luật kết hợp dạng trên có sự khác
biệt rất nhiều so với những thông tin thu được từ các câu lệnh truy vấn dữ liệu thông
thường trong SQL. Đó là những tri thức, những mối liên hệ chưa biết trước và mang
tính dự báo, tiềm ẩn trong dữ liệu. Những tri thức này không đơn giản là kết quả của
phép nhóm, tính tổng hay sắp xếp mà là của một quá trình tính toán khá phức tạp.


17

* Khái niệm: Tập mục thường xuyên
Định nghĩa 1.4: Tập mục X được gọi là tập mục thường xuyên (Frenquent Itemset)
nếu supp(X) ≥ minsup, với minsup là ngưỡng độ hỗ trợ cho trước. Kí hiệu các tập
này là FI.
Tính chất tập mục thường xuyên:
Tính chất 1.1: Giả sử A, B ⊆ I với A ⊆ B thì supp(A) ≥ supp(B).
Tính chất 1.2: Tập con của tập mục thường xuyên là tập mục thường xuyên.

Tức là: với A, B ⊆ I, nếu A ⊆ B và B là tập mục thường xuyên thì A cũng là tập
mục thường xuyên.
Tính chất 1.2 có thể phát biểu lại như sau: nếu A ⊆ B và A là tập mục không
thường xuyên thì B cũng là tập mục không thường xuyên.
Định nghĩa 1.5: Một tập mục X được gọi là tập mục thường xuyên đóng (closed)
nếu không có tập cha nào của X có cùng độ hỗ trợ với nó. Ký hiệu tập các tập mục
thường xuyên đóng là FCI.
Định nghĩa 1.6: Nếu X là tập mục thường xuyên và không tập cha nào cuả X là
thường xuyên, ta nói rằng X là một tập thường xuyên cực đại (Maximally Frequent
Itemset). Ký hiệu tập tất cả các tập mục thường xuyên cực đại là MFI. Dễ thấy MFI
⊆ FCI ⊆ FI.

Bài toán khai phá luật kết hợp được chia thành hai bài toán con. Bài toán thứ
nhất là tìm tất cả các tập mục thỏa mãn độ hỗ trợ tối thiểu cho trước, tức là tìm tất
cả các tập mục thường xuyên. Bài toán thứ hai là sinh ra các luật kết hợp từ các tập
mục thường xuyên đã tìm được thỏa mãn độ tin cậy tối thiểu cho trước.
Bài toán thứ hai được giải quyết như sau : giả sử đã tìm được X là tập mục
thường xuyên, ta sinh ra các luật kết hợp bằng cách tìm ∀Y ⊂ X , kiểm tra độ tin
cậy của luật X \ Y → Y có thỏa mãn độ tin cậy tối thiểu không. Bài toán thứ hai này
đơn giản, mọi khó khăn nằm ở bài toán thứ nhất, hầu hết các nghiên cứu về luật kết
hợp đều tập trung giải quyết bài toán thứ nhất là tìm các tập mục thường xuyên.


18

1.7.3 Các cách tiếp cận khai phá tập mục thường xuyên
Các nghiên cứu về khai phá tập mục thường xuyên tập trung vào tìm các thuật
toán mới hoặc đề xuất giải pháp nâng cao hiệu quả các thuật toán đã có. Phần này sẽ
trình bày khái quát các kỹ thuật chính để khai phá tập mục thường xuyên.
Bài toán khai phá tập mục thường xuyên có thể chia thành hai bài toán nhỏ:

Tìm các tập mục ứng viên và tìm các tập mục thường xuyên. Tập mục ứng viên là
tập mục mà ta hy vọng nó là tập mục thường xuyên, phải tính độ hỗ trợ của nó để
kiểm tra. Tập mục thường xuyên là tập mục có độ hỗ trợ lớn hơn hoặc bằng ngưỡng
hỗ trợ tối thiểu cho trước. Đã có rất nhiều thuật toán tìm tập mục thường xuyên
được công bố, ta có thể phân chúng theo hai tiêu chí sau:
Phương pháp duyệt qua không gian tìm kiếm.
Phương pháp xác định độ hỗ trợ của tập mục.
Phương pháp duyệt qua không gian tìm kiếm được phân làm hai cách: Duyệt
theo chiều rộng (Breadth First Search – BFS) và duyệt theo chiều sâu (Depth First
Search – DFS).
Duyệt theo chiều rộng là duyệt qua cơ sở dữ liệu gốc để tính độ hỗ trợ của tất cả
các tập mục ứng viên có (k-1) mục trước khi tính độ hỗ trợ của các tập mục ứng
viên có k mục. Với cơ sở dữ liệu có n mục dữ liệu, lần lặp thứ k phải kiểm tra độ hỗ
trợ của tất cả C nk =

n!
tập mục ứng viên có k mục.
k!( n − k )!

Duyệt theo chiều sâu là duyệt qua cơ sở dữ liệu đã được chuyển đổi thành cấu
trúc cây, quá trình duyệt gọi đệ quy theo chiều sâu của cây.
Với cơ sở dữ liệu có n mục dữ liệu, không gian tìm kiếm có tất cả 2 tập con, rõ ràng
đây là bài toán khó, do vậy cần phải có phương pháp duyệt thích hợp, tỉa nhanh các
tập ứng viên.
Phương pháp xác định độ hỗ trợ của tập mục X được chia làm hai cách: Cách
thứ nhất là đếm số giao tác chứa X trong cơ sở dữ liệu. Cách thứ hai là tính phần
giao của các tập chứa định danh của các giao tác chứa X.