Weighted Association Rule Mining from Binary and Fuzzy Data

Abstract

Abstract.A novel approach is presented for mining weighted association rules (ARs) from binary and fuzzy data. We address the issue of invalidation of downward closure property (DCP) in weighted association rule mining where each item is assigned a weight according to its significance w.r.t some user defined criteria. Most works on weighted association rule mining so far struggle with invalid downward closure property and some assumptions are made to validate the property. We generalize the weighted association rule mining problem for databases with binary and quantitative attributes with weighted settings. Our methodology follows an Apriori approach [9] and avoids pre and post processing as opposed to most weighted association rule mining algorithms, thus eliminating the extra steps during rules generation. The paper concludes with experimental results and discussion on evaluating the proposed approach.

Iндукцiя чисельних асоцiативних правил з врахуванням iндивiдуальної значущостi ознак

“…Проте вiдомi методи iндукцiї асоцiативних правил у бiльшостi випадкiв дозволяють виявляти лише бiнарнi правила [3,6], якi не враховують чисельнi значення ознак, що характеризують об'єкти або процеси, якi пiдлягають аналiзу. Методи виявлення чисельних асоцiативних правил [7,8] можуть працювати с чисельними вибiрками даних, проте їх робота пов'язана з проблемами вибору iнтервалiв дискретизацiї дiапазонiв значень змiнних, визначення кiлькостi таких iнтервалiв для кожної ознаки, що у деяких випадках призводить до суттєвого збiльшення простору пошуку та вимог до обчислювальних ресурсiв. Крiм того, такi методи передбачають, що усi ознаки, якi описують дослiджуванi об'єкти, мають однакову iнформативнiсть, що, як правило, на практицi не вiдповiдає дiйсностi [2,9,10].…”

“…1 (при цьому значення iнших параметрiв установлювалися такими: wminconfidence = 75%, wsupp( ∪ ) = 5%, wsupp( ) = 75%, min = 75%). Запропонований метод порiвнювався з методами FARM i FWARM, запропонованими в [7] i [8], вiдповiдно. З рис.…”

“…Крiм того, з рис. 1 видно, що запропонований метод є бiльш ефективним у порiвняннi з iснуючими [7,8], оскiльки в ньому формується масив FI наборiв, що часто зустрiчаються, який залежить не тiльки вiн кiлькостi появ конкретних наборiв у базi даних , але й вiд оцiнок значущостi ознак, що не дозволяє генерувати мало значущi набори й, вiдповiдно, зменшує розмiр FI, а значить i час, затрачуваний на його обробку. За результатами експериментiв видно, що кiлькiсть згенерованих асоцiативних правил АП пропорцiйна кiлькостi записiв у базi .…”

“…За результатами експериментiв видно, що кiлькiсть згенерованих асоцiативних правил АП пропорцiйна кiлькостi записiв у базi . Запропонований метод витягав у середньому на 16-23 % правил менше в порiвняннi з методами FARM i FWARM [7,8], що пояснюється використанням апрiорної iнформацiї про значущiсть ознак ∈ , що дозволяло не розглядати деякi набори (з низькими оцiнками iндивiдуальної значущостi ознак) як тi, що часто зустрiчаються, й, вiдповiдно, не тiльки скорочувало час пошуку, але й зменшувало кiлькiсть витягнутих правил.…”

Mining Top-K Frequent Sequential Pattern in Item Interval Extended Sequence Database

“…To indicate the significance of data items, each item can be assigned a weighted value. Some algorithms with weighted items are MINWAL [7], WAR [8], WARM [9], FWARM [10], WFIM [11], WPrefixSpan [12].…”