Khai phá quy tắc liên kết khám phá mối quan hệ giữa các mục trong tập dữ liệu sử dụng quy tắc "Nếu A thì B" được đo lường bằng support (tần suất) và confidence (độ tin cậy). Khai phá quy tắc liên kết đa cấp mở rộng điều này để tìm mối quan hệ ở các mức độ chi tiết khác nhau — ví dụ, giữa các sản phẩm riêng lẻ và danh mục sản phẩm.
Cơ bản về quy tắc liên kết
Thuật toán Apriori được sử dụng rộng rãi cho khai phá quy tắc liên kết. Nó lặp lại tạo các tập mục ứng viên và loại bỏ những cái dưới ngưỡng support/confidence.
Electronics → Laptops, Phones, Tablets → Dell, HP (Level 0 → Level 1 → Level 2)
Các loại
- Đa chiều: Mối quan hệ qua các chiều khác nhau (sản phẩm, khu vực, thời gian).
- Đa cấp: Mối quan hệ qua các mức độ chi tiết (mục riêng lẻ ↔ danh mục).
Các phương pháp ngưỡng Support
| Phương pháp | Mô tả | Đánh đổi |
|---|---|---|
| Uniform Support | Ngưỡng giống nhau cho tất cả các cấp | Đơn giản nhưng có thể bỏ lỡ mẫu cấp thấp |
| Reduced Support | Ngưỡng thấp hơn ở cấp thấp | Bắt được nhiều mẫu hơn nhưng tính toán nhiều hơn |
| Group-based Support | Chuyên gia đặt ngưỡng cho từng nhóm/danh mục | Linh hoạt nhất, yêu cầu kiến thức miền |
Ứng dụng
- Bán lẻ: Hành vi mua sắm khách hàng, tối ưu hóa đặt sản phẩm.
- Y tế: Nhận diện mẫu bệnh, tối ưu hóa điều trị.
- Phát hiện gian lận: Phát hiện bất thường trong tài chính và bảo hiểm.
- Khai phá web: Phân tích sở thích người dùng, cá nhân hóa nội dung.
- Mạng xã hội: Phát hiện cộng đồng, xác định người ảnh hưởng.
Thách thức
- Chiều cao lớn: Số lượng thuộc tính lớn tăng độ phức tạp.
- Tập dữ liệu lớn: Khối lượng bản ghi làm chậm xử lý.
- Khả năng mở rộng: Tập dữ liệu quá lớn để vừa bộ nhớ yêu cầu phương pháp phân tán.
Kết luận
Khai phá quy tắc liên kết đa cấp khám phá mối quan hệ ở các mức độ chi tiết khác nhau mà khai phá đơn cấp sẽ bỏ lỡ. Lựa chọn phương pháp ngưỡng support (đồng nhất, giảm dần hoặc dựa trên nhóm) cân bằng giữa khám phá mẫu và chi phí tính toán. Nó được áp dụng rộng rãi trong bán lẻ, y tế, phát hiện gian lận và khai phá web.