[논문 리뷰] Class Association Rules Mining based Rough Set Method

Thabet Slimani|arXiv (Cornell University)|2015. 09. 17.

Data Mining Algorithms and Applications참고 문헌 10인용 수 5

한 줄 요약

이 논문은 Apriori 알고리즘을 영감으로 삼아 하한 근사 집합을 사용하여 지지도와 신뢰도를 계산함으로써, 낮은 근사 집합 기반의 방법을 제안하여 클래스 연관 규칙(CARs)을 추출한다. 이 방법은 난잡한 집합 이론을 활용하여 클래스 연관 규칙 탐색을 단순화함으로써 기존의 연관 규칙 탐색 방법에 비해 효율적이고 효과적이며 더 나은 해석 가능성을 제공한다.

ABSTRACT

This paper investigates the mining of class association rules with rough set approach. In data mining, an association occurs between two set of elements when one element set happen together with another. A class association rule set (CARs) is a subset of association rules with classes specified as their consequences. We present an efficient algorithm for mining the finest class rule set inspired form Apriori algorithm, where the support and confidence are computed based on the elementary set of lower approximation included in the property of rough set theory. Our proposed approach has been shown very effective, where the rough set approach for class association discovery is much simpler than the classic association method.

연구 동기 및 목표

• 기존의 클래스 연관 규칙 탐색 방법의 복잡성과 비효율성을 해결하기 위해.
• 난잡한 집합 이론을 연관 규칙 탐색과 융합하여 CAR 탐색을 단순화하기 위해.
• 하한 근사 지지도와 신뢰도 측정 기반으로 최상의 클래스 규칙 집합을 효율적으로 탐색하기 위한 알고리즘을 개발하기 위해.
• 클래스 연관 규칙 생성 과정에서의 해석 가능성 향상과 계산 오버헤드 감소를 위해.
• 기존의 고전적 연관 규칙 접근법과 비교하여 난잡한 집합 기반 방법의 효과성을 입증하기 위해.

제안 방법

• 제안된 방법은 결정 클래스의 하한 근사를 기반으로 클래스 연관 규칙를 정의한다.
• 지지도와 신뢰도는 하한 근사에서 유도된 기본 집합을 사용하여 계산되며, 난잡한 집합 원칙에 부합함을 보장한다.
• 빈도 있는 항목집합을 생성하기 위해 Apriori를 영감으로 삼은 알고리즘이 사용되며, 난잡한 집합 기반 지지도 기준에 따라 가지치기가 수행된다.
• 알고리즘은 반복적으로 빈도 있는 항목집합에서 후보 규칙을 구성하고, 하한 근사 기반의 신뢰도를 사용하여 평가한다.
• 가장 구체적인 하한 근사 집합에서 유도된 최소 중복성 규칙 집합에 초점을 맞춤으로써, 중복을 최소화한다.
• 사전 이산화나 복잡한 전처리가 필요 없음을 고려하여 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 난잡한 집합 이론은 클래스 연관 규칙 탐색을 효과적으로 단순화하는 데 어떻게 적용될 수 있는가?
• RQ2 하한 근사 집합을 사용할 경우, CAR 탐색에서 지지도와 신뢰도 계산에 어떤 영향을 미치는가?
• RQ3 Apriori를 영감으로 삼은 알고리즘이 난잡한 집합 기반 지지도 및 신뢰도 측정 기반으로 효율적으로 작동하도록 어떻게 적응시킬 수 있는가?
• RQ4 기존의 연관 규칙 탐색 기법과 비교할 때, 제안된 방법의 효율성과 정확도는 어떠한가?
• RQ5 이 난잡한 집합 기반 접근법을 사용하여 생성된 규칙 집합의 품질과 해석 가능성은 어떠한가?

주요 결과

• 제안된 난잡한 집합 기반 방법은 고전적인 연관 규칙 탐색에 비해 클래스 연관 규칙 탐색을 크게 단순화한다.
• 하한 근사 집합의 사용은 지지도와 신뢰도의 정확하고 일관된 계산을 가능하게 하여 규칙의 신뢰도를 향상시킨다.
• Apriori를 영감으로 삼은 알고리즘은 낮은 계산 오버헤드로 최상의 클래스 규칙 집합을 효율적으로 생성한다.
• 하나의 하한 근사 집합에서 가장 구체적인 규칙에 초점을 맞추어 최소한의 중복성으로 높은 규칙 품질을 달성한다.
• 성공적인 적용과 동료 검토된 학술지(IJET, 2014–2015)에의 발표를 통해 이 방법이 효과적이고 확장 가능함을 입증하였다.
• 결과적으로 난잡한 집합 기반 CAR 탐색은 기존 방법보다 더 해석 가능하고 효율적임을 확인하였다.