Luận văn tập trung nghiên cứu các phương pháp khai phá luật kết hợp phân lớp (class association rules) từ tập mẫu học, một hướng tiếp cận quan trọng trong khai thác dữ liệu nhằm nâng cao độ chính xác và khả năng diễn giải của mô hình phân lớp. Các thuật toán kinh điển như Apriori và FP-Growth được phân tích, đánh giá ưu nhược điểm trong việc sinh luật, từ đó đề xuất cải tiến nhằm tối ưu hóa quá trình tìm kiếm và rút gọn tập luật. Luận văn ứng dụng các phương pháp này vào bài toán chẩn đoán bệnh, xây dựng hệ thống hỗ trợ quyết định y tế dựa trên các luật kết hợp có độ tin cậy cao. Kết quả thực nghiệm trên các bộ dữ liệu y tế cho thấy mô hình đề xuất không chỉ đạt độ chính xác phân lớp tốt mà còn cung cấp các luật có ý nghĩa, dễ hiểu, hỗ trợ hiệu quả cho các bác sĩ trong quá trình chẩn đoán và đưa ra phác đồ điều trị.