Generowanie reguł asocjacyjnych

Typowe podejście do problemu generowania reguł asocjacyjnych sprowadza się do rozbicie go na dwie czynności:


  • wyszukanie wśród zbioru przykładów często występujących zbiorów elementów,

  • utworzenie dla każdej pary zbiorów wartości, z których jeden jest podzbiorem drugiego, odpowiedniej reguły asocjacyjnej.

Pierwsza czynność polega na odnalezieniu wszystkich zbiorów wartości, których wsparcie przekracza zadane minimum (w przypadku mojej aplikacji, ze względu na mały zbiór trenujący, ustawione na wartość 0,01). Efektywne odnajdowanie zbiorów częstych stanowi główną trudność w generowaniu reguł asocjacyjnych, ze względu na stosunkowo duże koszty tej operacji.

Drugi problem, czyli znajdowanie na podstawie zbiorów częstych odpowiadających im reguł asocjacyjnych jest w istocie bardzo prosty. W mojej aplikacji sprowadza się do tylu reguł, ile wartości posiada badany atrybut i każda wartość staje się zbiorem warunkowym kolejnej reguły, natomiast pozostałe wartości stają się częścią wartościującą te reguły. Wsparciem każdej z tych reguł jest wsparcie zbioru wartości, na podstawie którego reguła została wygenerowana, skoro więc wsparcie badanego zbioru wartości przekracza zadaną wcześniej wartość minimalną, przekracza ją także wsparcie dla wygenerowanej na jego podstawie reguły. Jeżeli dodatkowo jej zaufanie jest na dostatecznie dużym poziomie, możemy taką regułę zaakceptować. W mojej aplikacji pominąłem sprawdzanie minimalnej wartości zaufania, ze względu na mały zbiór wartości trenujących i tym samym małą ilość reguł.

Zobacz też inne materiały

» Eksploracja danych - data mining
» Systemy uczące się
» Reprezentowanie wiedzy
» Problemy związane z analizą rzeczywistych danych - duże zbiory danych
» Problemy związane z analizą rzeczywistych danych - liczne atrybuty
» Problemy związane z analizą rzeczywistych danych - niekompletne dane
» Problemy związane z analizą rzeczywistych danych - niepoprawne dane
» Reguły asocjacyjne - istota asocjacji
» Reguły asocjacyjne - reprezentowanie danych i hipotez

Powiązane kategorie

» Eksploracja danych - data mining

Komentarze

  • Jeszcze nie ma komentarzy.

Aby dodać komentarz, zaloguj się.
Jeżeli nie masz jeszcze swojego konta, utwórz je w kilka sekund.

Eksploracja danych - data mining

Już od zarania dziejów informacja miała dla człowieka kluczowe znaczenie w walce o przetrwanie. To informacja o zbliżających się stadach dzikich zwierząt pozwalała na przygotowanie pułapek i upolowanie pożywienia. To informacja jest podstawowym czynnikiem potrzebnym do kształtowania czegoś o bardziej wysublimowanym charakterze – wiedzy.

W dzisiejszym świecie znaczenie informacji nie tylko się nie zatarło, ale się jeszcze bardziej pogłębiło. Błyskawicznie rozwijające się gałęzie nauki, jak telekomunikacja czy informatyka nie tylko ułatwiają szybki dostęp do poszukiwanej informacji, ale również pomagają na szybsze i trafniejsze podejmowanie strategicznych decyzji decyzji. Ogromne ilości informacji wcale jednak bezpośrednio nie ułatwiają podjęcia trafnej decyzji, ponieważ człowiek nie jest w stanie ich wszystkich ogarnąć i wyciągnąć sensownych konkluzji. Z pomocą przychodzi nowa dziedzina nauki: eksploracja danych.

Systemy odkrywające wiedzę w danych powstawały i wciąż powstają na całym świecie. Jako, że problem jest palący, potrzebne są wciąż szybsze i dokładniejsze algorytmy, które poradzą sobie z odnalezieniem nowego rodzaju wiedzy w coraz większych zbiorach danych. Rozwiązania, które opisałem w niniejszej pracy pojawiały się i będą pojawiały się w wielu systemach, zarówno komercyjnych, jak i amatorskich.

Łukasz Gołaszewski, ADAPTACYJNY SKLEP INTERNETOWY
» Strona główna: Eksploracja danych - data mining

Szukaj

Eksploracja danych - data mining - artykuły:

Pokrewne serwisy

Informatyka

Subskrypcja

Chcesz być na bieżąco? Dodaj swój adres e-mail do newslettera!

Wpisz adres E-mail: