i
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

LỜI CẢM ƠN

Trƣớc hết, tôi xin bày tỏ lòng biết ơn tới các thầy cô giáo trƣờng Đại học
Công nghệ thông tin & truyền thông đã tận tâm giảng dạy, cung cấp cho tôi
kiến thức, phƣơng pháp nghiên cứu trong khoá học vừa qua.
Đặc biệt tôi xin đƣợc bày tỏ sự biết ơn sâu sắc đến thầy giáo hƣớng dẫn
PGS.TS Đoàn Văn Ban, ngƣời đã tận tình hƣớng dẫn, giúp đỡ và động viên để
tôi thực hiện luận văn này.
Xin cảm ơn Ban giám hiệu trƣờng Đại học Công nghệ thông tin &
truyền thông, gia đình và các bạn đồng nghiệp đã tạo điều kiện giúp đỡ tôi trong
thời gian vừa qua. ii
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

LỜI CAM ĐOAN

Tôi xin cam đoan toàn bộ nội dung bản luận văn theo đúng nội dung đề
cƣơng cũng nhƣ nội dung mà cán bộ hƣớng dẫn giao cho. Nội dung luận văn này
là do tôi tự sƣu tầm, tra cứu và sắp xếp cho phù hợp với nội dung yêu cầu của đề
tài.

CHƢƠNG 1 KHO DỮ LIỆU VÀ KHAI PHÁ DỮ LIỆU 3
1.1 KHO DỮ LIỆU 3
1.1.1 Các chiến lƣợc xử lý và khai thác thông tin 3
1.1.2 Định nghĩa kho dữ liệu 4
1.1.3 Mục đích của kho dữ liệu 5
1.1.4 Đặc tính của dữ liệu trong kho dữ liệu 6
1.2 Khai phá kho dữ liệu 8
1.2.1 Định nghĩa khai phá dữ liệu 9
1.2.2 Các ứng dụng của khai phá dữ liệu 10
1.2.3 Các bƣớc của quá trình khai phá dữ liệu 11
1.2.4 Các phƣơng pháp khai phá dữ liệu 12
1.2.5. Lựa chọn phƣơng pháp 17
1.2.6. Thách thức trong ứng dụng và nghiên cứu kỹ thuật khai phá dữ liệu 18
CHƢƠNG 2 KHAI PHÁ LUẬT KẾT HỢP 23
2.1 Vài nét về khai phá luật kết hợp 23
2.2 Luật kết hợp 24
2.2.1. Mô hình hình thức 24
2.2.2 Một số hƣớng tiếp cận trong khai phá luật kết hợp 26
2.2.3 Phát biểu bài toán phát hiện luật kết hợp 28
2.2.4 Phát hiện luật kết hợp dựa trên hệ thông tin nhị phân 30
2.3 Thuật toán AprioriTID 38
2.4 Thuật toán AprioriHybrid 41 iv
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

2.5 Thuật toán K-Nearest Neighbors 42

hiệu,
chữ
viết
tắt
Ý
nghĩa

Candidate itemset
Một itemset trong tập C
k
đƣợc sử dụng để sinh
ra các large itemset
C
k

Tập các candidate k-itemset ở giai đoạn thứ k
Confidence
Độ tin cậy của luật kết hợp
CSDL
Cơ sở dữ liệu
DM
Data mining – Khai phá dữ liệu
Frequent/large itemset
Một itemset có độ hỗ trợ (support) >= ngƣỡng
độ hỗ trợ tối thiểu
ID
Identifier
Item
Một phần tử của itemset
Itemset

5
Hình 1.2
Mối quan hệ và cách nhìn nhận trong hệ thống
6
Hình 1.3
Quy trình phát hiện tri thức
11
Hình 2.1
Thiết lập để xác định danh giới các cụm ban đầu
43
Hình 2.2
Tính toán trong tâm các cụm mới
43
Hình 3.1
Mô hình quan hệ thực thể đã đƣợc lƣợc bỏ & tóm gọn
48
Hình 3.2
Cơ sở sữ liệu vật lý
48 vii
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

DANH MỤC CÁC BẢNG
Bảng
Ý
nghĩa

tri thức.
Nội dung luận văn: Nếu nhƣ lĩnh vực phân lớp/phân cụm dữ liệu đã đƣợc
nghiên cứu ứng dụng khá lâu thì vấn đề khai phá luật kết hợp gần đây mới đƣợc
đề cập. Hiện nay việc phát hiện luật kết hợp đang trở thành một khuynh hƣớng
quan trọng của khai phá dữ liệu. Luật kết hợp là luật ngầm định một số quan hệ
kết hợp giữa một tập các đối tƣợng mà các đối tƣợng có thể độc lập hoàn toàn với
nhau.
Khai phá luật kết hợp là một nội dung quan trọng trong khai phá dữ liệu.
Để nghiên cứu sâu hơn về khai phá luật kết hợp, đặc biệt là về khả năng áp dụng
một số thuật toán phát hiện luật kết hợp trong CSDL lớn và cài đặt thử nghiệm
trong thực tế, tôi chọn đề tài: “Khai phá dữ liệu và phát hiện luật kết hợp trong
Cơ sở dữ liệu siêu thị ”.
Luận văn bao gồm ba chƣơng:
Chƣơng 1: Kho dữ liệu và khai phá dữ liệu
Trình bày kiến thức tổng quan về khai thác và xử lý thông tin:
- Định nghĩa kho dữ liệu, khai phá dữ liệu
- Các phƣơng pháp khai phá dữ liệu phổ biến và ứng dụng của chúng.
Chƣơng 2: Khai phá luật kêt hợp
Trình bày các bài toán trong khai phá dữ liệu, phát hiện luật kết hợp:
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành
2
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

- Khái niệm về luật kết hợp và các phƣơng pháp khai phá luật kết hợp
- Khai phá luật kết hợp dựa trên sự phân chia không gian tìm kiếm.
- Một số thuật toán khai phá dữ liệu phát hiện luật kết hợp nhƣ:
AprioriTID, AprioriHyrid, K-Nearest Neighbors(K- láng giềng),K-Means.
Chƣơng 3: Chƣơng trình thử nghiệm
Nội dung của chƣơng là trình bày kết quả xây dựng chƣơng trình và kết quả
chạy chƣơng trình thử nghiệm khai phá luật kết hợp trên CSDL thử nghiệm là các

- Khai phá luật kết hợp: mục tiêu của phƣơng pháp này là phát hiện và đƣa
ra các mối liên hệ giữa các giá trị dữ liệu trong CSDL. Mẫu đầu ra của giải thuật
khai phá dữ liệu là tập luật kết hợp tìm đƣợc.
- Phân cụm dữ liệu: Mục tiêu chính của phƣơng pháp phân cụm dữ liệu là
nhóm các đối tƣợng tƣơng tự nhau trong tập dữ liệu vào các cụm sao cho các đối
tƣợng thuộc cùng một lớp là tƣơng đống còn các đối tƣợng thuộc các cụm khác
nhau sẽ tƣơng đồng.
- Phân lớp dữ liệu và hồi quy: Mục tiêu của phƣơng pháp phân lớp dữ liệu
là dự đoán nhãn lớp cho các mẫu dữ liệu.
Giải pháp cho tất cả các vấn đề nêu trên chính là việc xây dựng một kho dữ
liệu (Data Warehouse) và phát triển một khuynh hƣớng kỹ thuật mới đó là kỹ
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành
4
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

thuật phát hiện tri thức và khai phá dữ liệu (KDD-Knowledge Discovery and
Data Mining). Vậy, trƣớc tiên ta xem xét một vài khái niệm cơ bản liên quan đến
CSDL, kho dữ liệu …
1.1.2 Định nghĩa kho dữ liệu
Thông thƣờng chúng ta coi dữ liệu nhƣ một dãy các bit, hoặc các số và các
ký hiệu, hoặc các “đối tƣợng” với một ý nghĩa nào đó khi đƣợc gửi cho một
chƣơng trình dƣới một dạng nhất định. Chúng ta sử dụng các bit để đo lƣờng các
thông tin và xem nó nhƣ là các dữ liệu đã đƣợc lọc bỏ các dƣ thừa, đƣợc rút gọn
tới mức tối thiểu để đặc trƣng một cách cơ bản cho dữ liệu. Chúng ta có thể xem
tri thức nhƣ là các thông tin tích hợp, bao gồm các sự kiện và các mối quan hệ
giữa chúng. Các mối quan hệ này có thể đƣợc hiểu ra, có thể đƣợc phát hiện,
hoặc có thể đƣợc học. Nói cách khác, tri thức có thể đƣợc coi là dữ liệu có độ
trừu tƣợng và tổ chức cao [6].
Theo John Ladley, kỹ nghệ kho dữ liệu (DWT - Data warehouse
technology) là tập các phƣơng pháp, kỹ thuật và các công cụ có thể kết hợp, hỗ

việc của mình, ví dụ nhƣ: có những quyết định hợp lý, nhanh và
bán đƣợc nhiều hàng hơn, năng suất cao hơn, thu đƣợc lợi nhuận
cao hơn.
 Giúp cho tổ chức xác định, quản lý và điều hành các dự án, các
nghiệp vụ một cách hiệu quả và chính xác.
 Tích hợp dữ liệu và siêu dữ liệu từ nhiều nguồn khác nhau.
Muốn đạt đƣợc những yêu cầu trên thì DW phải:
 Tăng chất lƣợng dữ liệu bằng các phƣơng pháp làm sạch và tinh
lọc.
 Tổng hợp và kết nối dữ liệu.
 Đồng bộ hoá các nguồn dữ liệu với DW.
 Phân định và đồng nhất các hệ quản trị CSDL tác nghiệp nhƣ là
các công cụ chuẩn để phục vụ cho DW.
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành
6
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

 Quản lí siêu dữ liệu (metadata)
 Cung cấp thông tin tích hợp, tóm tắt hoặc đƣợc liên kết, tổ chức
theo các chủ đề.
Các kết quả khai thác kho dữ liệu đƣợc dùng trong hệ thống hỗ trợ quyết
định (DSS-Decision support system), các hệ thống thông tin tác nghiệp hoặc hỗ
trợ cho các truy vấn đặc biệt. Mục tiêu cơ bản của mọi tổ chức là lợi nhuận, điều
này đƣợc mô tả nhƣ sau:

Hình 1.2. Mối quan hệ về cách nhìn nhận trong hệ thống
Để thực hiện chiến lƣợc kinh doanh hiệu quả, các nhà lãnh đạo vạch ra
phƣơng hƣớng kinh doanh hàng hoá. Việc xác định giá của hàng hoá và quá trình
bán hàng sẽ sản sinh lợi tức. Tuy nhiên, để có đƣợc hàng hóa kinh doanh thì cần
phải mất các khoản chi phí. Lợi tức trừ đi chi phí sẽ cho lợi nhuận của đơn vị.

dẫn đến sự khác nhau về nội dung dữ liệu lƣu trữ trong hệ thống.
* Kho dữ liệu không lƣu trữ dữ liệu chi tiết, chỉ cần lƣu trữ dữ liệu mang
tính tổng hợp phục vụ chủ yếu cho quá trình phân tích để trợ giúp quyết định.
* CSDL trong các ứng dụng tác nghiệp lại cần xử lý dữ liệu chi tiết, phục vụ
trực tiếp cho các yêu cầu xử lý theo các chức năng của lĩnh vực ứng dụng hiện
thời. Do vậy, các hệ thống ứng dụng tác nghiệp (Operational Application System
- OAS) cần lƣu trữ dữ liệu chi tiết. Mối quan hệ của dữ liệu trong hệ thống này
cũng khác, đòi hỏi phải có tính chính xác, có tính thời sự,
* Dữ liệu cần gắn với thời gian và có tính lịch sử. Kho chứa dữ liệu bao
hàm một khối lƣợng lớn dữ liệu có tính lịch sử. Dữ liệu đƣợc lƣu trữ thành một
loạt các snapshot (ảnh chụp dữ liệu). Mỗi bản ghi phản ánh những giá trị của dữ
liệu tại một thời điểm nhất định thể hiện khung nhìn của một chủ điểm trong một
giai đoạn. Do vậy cho phép khôi phục lại lịch sử và so sánh tƣơng đối chính xác
các giai đoạn khác nhau. Yếu tố thời gian có vai trò nhƣ một phần của khoá để
đảm bảo tính đơn nhất của mỗi sản phẩm hàng hoá và cung cấp đặc trƣng về thời
gian cho dữ liệu. Ví dụ, trong hệ thống quản lý kinh doanh cần có dữ liệu lƣu trữ
về đơn giá của mặt hàng theo ngày (đó chính là yếu tố thời gian).
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành
8
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

Dữ liệu trong OAS thì cần phải chính xác tại thời điểm truy cập, còn ở DW
thì chỉ cần có hiệu lực trong khoảng thời gian nào đó, trong khoảng 5 đến 10 năm
hoặc lâu hơn. Dữ liệu của CSDL tác nghiệp thƣờng sau một khoảng thời gian
nhất định sẽ trở thành dữ liệu lịch sử và chúng sẽ đƣợc chuyển vào trong kho dữ
liệu. Đó chính là những dữ liệu hợp lý về những chủ điểm cần lƣu trữ.
Chẳng hạn, khi so sánh về CSDL tác nghiệp và ảnh chụp dữ liệu, ta có:
Bảng 1.1 Tính thời gian của dữ liệu
CSDL tác nghiệp
Ảnh chụp dữ liệu

nghệ điện tử truyền thống thì dữ liệu, thông tin và tri thức hiện đang là tiêu điểm
của một lĩnh vực mới trong nghiên cứu và ứng dụng về phát hiện tri thức (KDD)
và khai phá dữ liệu (DM) [7].
Thông thƣờng chúng ta coi dữ liệu nhƣ một dãy các bit, hoặc các số và các
ký hiệu, hoặc các “đối tƣợng” với một ý nghĩa nào đó khi đƣợc gửi cho một
chƣơng trình dƣới một dạng nhất định. Chúng ta sử dụng các bit để đo lƣờng các
thông tin và xem nó nhƣ là các dữ liệu đã đƣợc lọc bỏ các dƣ thừa, đƣợc rút gọn
tới mức tối thiểu để đặc trƣng một cách cơ bản cho dữ liệu. Chúng ta có thể xem
tri thức nhƣ là các thông tin tích hợp, bao gồm các sự kiện và các mối quan hệ
giữa chúng. Các mối quan hệ này có thể đƣợc hiểu ra, có thể đƣợc phát hiện,
hoặc có thể đƣợc học. Nói cách khác, tri thức có thể đƣợc coi là dữ liệu có độ
trừu tƣợng và tổ chức cao.
Phát hiện tri thức trong các CSDL là một qui trình nhận biết các mẫu hoặc
các mô hình trong dữ liệu với các tính năng: hợp thức, mới, có ích, và có thể hiểu
đƣợc. Còn khai thác dữ liệu là một bƣớc trong qui trình phát hiện tri thức gồm có
các thuật toán khai thác dữ liệu chuyên dùng dƣới một số qui định về hiệu quả
tính toán chấp nhận đƣợc để tìm ra các mẫu hoặc các mô hình trong dữ liệu. Nói
một cách khác, mục đích của phát hiện tri thức và khai phá dữ liệu chính là tìm ra
các mẫu và/hoặc các mô hình đang tồn tại trong các CSDL nhƣng vẫn còn bị che
khuất bởi hàng núi dữ liệu.
Các nhà thống kê thì xem khai phá dữ liệu nhƣ là một qui trình phân tích
đƣợc thiết kế để thăm dò một lƣợng rất lớn các dữ liệu nhằm phát hiện ra các mẫu
thích hợp. Qui trình này bao gồm ba giai đoạn cơ bản: thăm dò, xây dựng mô
hình hoặc định nghĩa mẫu, hợp thức/kiểm chứng.
1.2.1 Định nghĩa khai phá dữ liệu
Khai phá dữ liệu đƣợc dùng để mô tả quá trình phát hiện ra tri thức trong
CSDL. Quá trình này kết xuất ra các tri thức tiềm ẩn từ dữ liệu giúp cho việc dự
báo trong kinh doanh, các hoạt động sản xuất, Khai phá dữ liệu làm giảm chi
phí về thời gian so với phƣơng pháp truyền thống trƣớc kia (ví dụ nhƣ phƣơng
pháp thống kê). Sau đây là các định nghĩa mang tính mô tả của nhiều tác giả về

 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
một số bệnh di truyền,
 Mạng viễn thông: Phân tích các cuộc gọi điện thoại và hệ thống giám sát
lỗi, sự cố, chất lƣợng dịch vụ,
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành
11
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

1.2.3 Các bƣớc của quá trình khai phá dữ liệu
Quy trình phát hiện tri thức thƣờng tuân theo các bƣớc sau: [7, 9]
Bước thứ nhất: Hình thành, xác định và định nghĩa bài toán. Là tìm hiểu
lĩnh vực ứng dụng từ đó hình thành bài toán, xác định các nhiệm vụ cần phải
hoàn thành. Bƣớc này sẽ quyết định cho việc rút ra đƣợc các tri thức hữu ích và
cho phép chọn các phƣơng pháp khai phá dữ liệu thích hợp với mục đích ứng
dụng và bản chất của dữ liệu.
Bước thứ hai: Thu thập và tiền xử lý dữ liệu. Là thu thập và xử lý thô, còn
đƣợc gọi là tiền xử lý dữ liệu nhằm loại bỏ nhiễu (làm sạch dữ liệu), xử lý việc
thiếu dữ liệu (làm giàu dữ liệu), biến đổi dữ liệu và rút gọn dữ liệu nếu cần thiết,
bƣớc này thƣờng chiếm nhiều thời gian nhất trong toàn bộ qui trình phát hiện tri
thức. Do dữ liệu đƣợc lấy từ nhiều nguồn khác nhau, không đồng nhất, … có thể
gây ra các nhầm lẫn. Sau bƣớc này, dữ liệu sẽ nhất quán, đầy đủ, đƣợc rút gọn và
rời rạc hoá.

Hình 1.3 Quy trình phát hiện tri thức
Bước thứ ba: Khai phá dữ liệu, rút ra các tri thức. Là khai phá dữ liệu, hay
nói cách khác là trích ra các mẫu hoặc/và các mô hình ẩn dƣới các dữ liệu. Giai
đoạn này rất quan trọng, bao gồm các công đoạn nhƣ: chức năng, nhiệm vụ và
mục đích của khai phá dữ liệu, dùng phƣơng pháp khai phá nào? Thông thƣờng,
các bài toán khai phá dữ liệu bao gồm: các bài toán mang tính mô tả - đƣa ra tính

Giải thuật khai phá dữ liệu bao gồm 3 thành phần chính nhƣ sau: biểu diễn
mô hình, kiểm định mô hình và phƣơng pháp tìm kiếm.
Biểu diễn mô hình: Mô hình đƣợc biểu diễn theo một ngôn ngữ L nào đó để
miêu tả các mẫu có thể khai thác đƣợc. Mô tả mô hình rõ ràng thì học máy sẽ tạo
ra mẫu có mô hình chính xác cho dữ liệu. Tuy nhiên, nếu mô hình quá lớn thì khả
năng dự đoán của học máy sẽ bị hạn chế. Nhƣ thế sẽ làm cho việc tìm kiếm phức
tạp hơn cũng nhƣ hiểu đƣợc mô hình là không đơn giản hoặc sẽ không thể có các
mẫu tạo ra đƣợc một mô hình chính xác cho dữ liệu. Ví dụ: mô tả cây quyết định
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành
13
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

sử dụng phân chia các nút theo một trƣờng dữ liệu, chia không gian đầu vào
thành các siêu phẳng song song với trục các thuộc tính. Phƣơng pháp cây quyết
định nhƣ vậy không thể khai phá đƣợc dữ liệu dạng công thức “X = Y” dù cho
tập học có quy mô lớn thế nào đi nữa. Vì vậy, việc quan trọng là ngƣời phân tích
dữ liệu là cần phải hiểu đầy đủ các giả thiết miêu tả. Một điều cũng khá quan
trọng là ngƣời thiết kế giải thuật cũng phải diễn tả đƣợc các giả thiết mô tả nào
đƣợc tạo ra bởi giải thuật nào. Khả năng miêu tả mô hình càng lớn thì càng làm
tăng mức độ nguy hiểm do bị học quá và làm giảm đi khả năng dự đoán các dữ
liệu chƣa biết. Hơn nữa, việc tìm kiếm sẽ càng trở lên phức tạp hơn và việc giải
thích mô hình cũng khó khăn hơn.
Mô hình ban đầu đƣợc xác định bằng cách kết hợp biến đầu ra (phụ thuộc)
với các biến độc lập mà biến đầu ra phụ thuộc vào. Sau đó phải tìm những tham
số mà bài toán cần tập trung giải quyết. Việc tìm kiếm mô hình sẽ đƣa ra đƣợc
một mô hình phù hợp với tham số đƣợc xác định dựa trên dữ liệu (trong một số
trƣờng hợp khác thì mô hình và các tham số lại thay đổi để phù hợp với dữ liệu).
Trong một số trƣờng hợp, tập các dữ liệu đƣợc chia thành tập dữ liệu học và tập
dữ liệu thử. Tập dữ liệu học đƣợc dùng để làm cho tham số của mô hình phù hợp
với dữ liệu. Mô hình sau đó sẽ đƣợc đánh giá bằng cách đƣa các dữ liệu thử vào

b. Phƣơng pháp suy diễn / quy nạp
Một CSDL là một kho thông tin nhƣng các thông tin quan trọng hơn cũng
có thể đƣợc suy diễn từ kho thông tin đó. Có hai kỹ thuật chính để thực hiện việc
này là suy diễn và quy nạp.
Phƣơng pháp suy diễn: Nhằm rút ra thông tin là kết quả logic của các thông
tin trong CSDL. Ví dụ nhƣ toán tử liên kết áp dụng cho bảng quan hệ, bảng đầu
chứa thông tin về các nhân viên và phòng ban, bảng thứ hai chứa các thông tin về
các phòng ban và các trƣởng phòng. Nhƣ vậy sẽ suy ra đƣợc mối quan hệ giữa
các nhân viên và các trƣởng phòng. Phƣơng pháp suy diễn dựa trên các sự kiện
chính xác để suy ra các tri thức mới từ các thông tin cũ. Mẫu chiết xuất đƣợc
bằng cách sử dụng phƣơng pháp này thƣờng là các luật suy diễn.
Phƣơng pháp quy nạp: Phƣơng pháp quy nạp suy ra các thông tin đƣợc sinh
ra từ CSDL. Có nghĩa là nó tự tìm kiếm, tạo mẫu và sinh ra tri thức chứ không
phải bắt đầu với các tri thức đã biết trƣớc. Các thông tin mà phƣơng pháp này
đem lại là các thông tin hay các tri thức cấp cao diễn tả về các đối tƣợng trong
CSDL. Phƣơng pháp này liên quan đến việc tìm kiếm các mẫu trong CSDL.
Trong khai phá dữ liệu, quy nạp đƣợc sử dụng trong cây quyết định và tạo luật.
c. Phƣơng pháp K-láng giềng gần
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành
15
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

Sự miêu tả các bản ghi trong tập dữ liệu khi trỏ vào không gian nhiều chiều
là rất có ích đối với việc phân tích dữ liệu. Việc dùng các miêu tả này, nội dung
của vùng lân cận đƣợc xác định, trong đó các bản ghi gần nhau trong không gian
đƣợc xem xét thuộc về lân cận (hàng xóm–láng giềng) của nhau. Khái niệm này
đƣợc dùng trong khoa học kỹ thuật với tên gọi K-láng giềng gần, trong đó K là số
láng giềng đƣợc sử dụng. Phƣơng pháp này rất hiệu quả nhƣng lại đơn giản. Ý
tƣởng thuật toán học K-láng giềng gần là “thực hiện nhƣ các láng giềng gần của
bạn đã làm”.

quá trình trên cho tới khi tạo ra đƣợc cây quyết định, tất cả các nút triển khai
thành lá và đƣợc gán nhãn.
Quá trình đệ quy sẽ dừng lại khi một trong các điều kiện sau đƣợc thỏa
mãn:
 Tất cả các mẫu thuộc cùng một nút.
 Không còn một thuộc tính nào để lựa chọn.
 Nhánh không chứa mẫu nào.
Phần lớn các giải thuật sinh cây quyết định đều có hạn chế chung là sử dụng
nhiều bộ nhớ. Lƣợng bộ nhớ sử dụng tỷ lệ thuận với kích thƣớc của mẫu dữ liệu
huấn luyện. Một chƣơng trình sinh cây quyết định có hỗ trợ sử dụng bộ nhớ ngoài
song lại có nhƣợc điểm về tốc độ thực thi. Do vậy, vấn đề tỉa bớt cây quyết định
trở nên quan trọng. Các nút lá không ổn định trong cây quyết định sẽ đƣợc tỉa
bớt. Kỹ thuật tỉa trƣớc là việc dừng sinh cây quyết định khi chia dữ liệu không có
ý nghĩa.
e. Phƣơng pháp phát hiện luật kết hợp
Phƣơng pháp này nhằm phát hiện ra các luật kết hợp giữa các thành phần dữ
liệu trong CSDL. Mẫu đầu ra của giải thuật khai phá dữ liệu là tập luật kết hợp
tìm đƣợc. Ta có thể lấy một ví dụ đơn giản về luật kết hợp nhƣ sau: sự kết hợp
giữa hai thành phần A và B có nghĩa là sự xuất hiện của A trong bản ghi kéo theo
sự xuất hiện của B trong cùng bản ghi đó: A => B.
Cho một lƣợc đồ R = {A
1
, …, A
p
} các thuộc tính với miền giá trị {0,1}, và
một quan hệ r trên R.
Một luật kết hợp trên r đƣợc mô tả dƣới
dạng X=>B với
X  R và B  R\X. Về mặt trực giác, ta có thể phát biểu ý nghĩa của luật nhƣ
sau: Nếu một bản ghi của bảng r có giá trị 1 tại mỗi thuộc tính thuộc X thì giá trị

một tập phổ biến có kích thƣớc K thì phải có ít nhất là 2K tập phổ biến. Thông tin
về các tập phổ biến đƣợc sử dụng để ƣớc lƣợng độ tin cậy của các tập luật kết
hợp.
1.2.5. Lựa chọn phƣơng pháp
Các giải thuật khai phá dữ liệu tự động vẫn mới chỉ ở giai đoạn phát triển
ban đầu. Ngƣời ta vẫn chƣa đƣa ra đƣợc một tiêu chuẩn nào trong việc quyết định
sử dụng phƣơng pháp nào và trong trƣờng hợp hợp nào thì có hiệu quả.
Hầu hết các kỹ thuật khai phá dữ liệu đều mới đối với lĩnh vực kinh doanh.
Hơn nữa lại có rất nhiều kỹ thuật, mỗi kỹ thuật đƣợc sử dụng cho nhiều bài toán
Khai phá dữ liệu và phát hiện luật kết hợp trong cơ sở dữ liệu siêu thị - Bùi Thị Trung Thành
18
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

khác nhau. Vì vậy, ngay sau câu hỏi “khai phá dữ liệu là gì?” sẽ là câu hỏi “vậy
thì dùng kỹ thuật nào?”. Câu trả lời tất nhiên là không đơn giản. Mỗi phƣơng
pháp đều có điểm mạnh và yếu của nó, nhƣng hầu hết các điểm yếu đều có thể
khắc phục đƣợc. Vậy thì phải làm nhƣ thế nào để áp dụng kỹ thuật một cách thật
đơn giản, dễ sử dụng để không cảm thấy những phức tạp (vốn có) của kỹ thuật
đó.
Để so sánh các kỹ thuật cần phải có một tập lớn các quy tắc và các phƣơng
pháp thực nghiệm tốt. Thƣờng thì quy tắc này không đƣợc sử dụng khi đánh giá
các kỹ thuật mới nhất. Vì vậy mà những yêu cầu cải thiện độ chính xác không
phải lúc nào cũng thực hiện đƣợc.
Nhiều công ty đã đƣa ra những sản phẩm sử dụng kết hợp nhiều kỹ thuật
khai phá dữ liệu khác nhau với hy vọng nhiều kỹ thuật sẽ tốt hơn. Nhƣng thực tế
cho thấy nhiều kỹ thuật chỉ thêm nhiều rắc rối và gây khó khăn cho việc so sánh
giữa các phƣơng pháp và các sản phẩm này. Theo nhiều đánh giá cho thấy, khi đã
hiểu đƣợc các kỹ thuật và nghiên cứu tính giống nhau giữa chúng, ngƣời ta thấy
rằng nhiều kỹ thuật lúc đầu thì có vẻ khác nhau nhƣng thực chất ra khi hiểu đƣợc
các kỹ thuật này thì thấy chúng hoàn toàn giống nhau. Tuy nhiên, đánh giá này