[論文レビュー] Measuring interesting rules in Characteristic rule

Harco Leslie Hendric Spits Warnars|arXiv (Cornell University)|Jun 9, 2010

Data Mining Algorithms and Applications参考文献 11被引用数 5

ひとこと要約

本稿では、属性指向インダクションから導かれる特徴的ルールにおける面白さの測定法について、概念階層の単純さを複雑さよりも重視する新しい手法を提案する。ヒューリスティック手法とは異なり、複雑な階層を好むのではなく、一般化の複雑さを低減し、最終的なルール変換段階で同一の属性を統合またはグループ化することで、より解釈しやすく、よりコンパクトな論理式を得ることを目的としている。その結果、より少ないタプル数のコンパクトな論理式が得られる。

ABSTRACT

Finding interesting rule in the sixth strategy step about threshold control on generalized relations in attribute oriented induction, there is possibility to select candidate attribute for further generalization and merging of identical tuples until the number of tuples is no greater than the threshold value, as implemented in basic attribute oriented induction algorithm. At this strategy step there is possibility the number of tuples in final generalization result still greater than threshold value. In order to get the final generalization result which only small number of tuples and can be easy to transfer into simple logical formula, the seventh strategy step about rule transformation is evolved where there will be simplification by unioning or grouping the identical attribute. Our approach to measure interesting rule is opposite with heuristic measurement approach by Fudger and Hamilton where the more complex concept hierarchies, more interesting results are likely to be found, but our approach the simpler concept hierarchies, more interesting results are likely to be found and the more complex concept hierarchies, more complex process generalization in concept tree. The decision to find interesting rule is influenced with wide or length and depth or level of concept tree.

研究の動機と目的

• 属性指向インダクションの過程で特徴的ルールを生成する際、真に興味深いルールを特定する課題に対処すること。
• 既存の手法が複雑な概念階層を好むため、一般化の負荷が増加しても解釈性が向上しないという限界を克服すること。
• ルールの面白さの測定法を構築し、概念階層の単純さを優先することで、よりコンパクトで人間が読みやすいルールを得ること。
• ルール変換によるタプル数の最小化を通じて、最終的な一般化結果を改善し、容易に論理式に変換可能にする。

提案手法

• 属性指向インダクションの第7段階において、同一の属性をグループ化または統合することでルールを単純化するルール変換戦略を提案する。
• 浅く狭い概念階層を深く広いものよりも好む、ルールの面白さを測定するフレームワークを導入する。
• タプル間の同一属性値に対してユニオン操作を適用し、最終結果におけるタプル数を削減する。
• ルールの面白さを決定する主な要因として、概念ツリーの深さと幅を用い、単純なツリーはより面白くとみなす。
• ユーザーが定義したしきい値未満になるまでタプルを統合する、しきい値ベースの一般化プロセスを採用する。
• 基本的な属性指向インダクションから進化させ、最終的なルール集合を単純化および構造最適化することで改善を図る。

実験結果

リサーチクエスチョン

• RQ1 特徴的ルールにおけるルールの面白さをどのように測定すれば、より解釈可能でコンパクトな結果を得られるか？
• RQ2 概念階層の複雑さは、一般化プロセスとルール品質にどのような影響を与えるか？
• RQ3 属性指向インダクションの文脈において、なぜ単純な概念階層が複雑なものよりもより面白くなるのか？
• RQ4 最終的なルール集合をどのように単純化すれば、タプル数を減らし、論理的表現力を向上させられるか？
• RQ5 同一属性のユニオン処理は、ルールの解釈性の向上と一般化のオーバーヘッド低減にどのような役割を果たすか？

主な発見

• 単純な概念階層がより面白くなるルールを生み出す。これは、複雑さを好むヒューリスティック手法とは対照的である。
• 提案手法により、同一属性の効果的なユニオン処理によって、最終的なルール集合におけるタプル数が削減された。
• 第7段階のルール変換戦略により、ルールがコンパクトで解釈可能な論理式に成功して単純化された。
• 浅く狭い概念ツリーを好むことで、一般化の複雑さを最小限に抑えることができた。
• タプル数の削減と構造的単純化のおかげで、最終的な一般化結果は人間にとってより扱いやすく、理解しやすくなった。
• 単純さとコンパクトさに焦点を当てることで、属性指向インダクションにおけるルール抽出の効率性と明確性が向上した。