[논문 리뷰] Combined Algorithm for Data Mining using Association rules
이 논문은 효율성과 정확성을 향상시키기 위해 Apriori 알고리즘과 다중 최소 지원도 제약 조건을 통합한 병합된 연관 규칙 마이닝 알고리즘을 제안한다. 최대 제약 조건을 적용하여 아이템셋 생성을 최적화함으로써, 기존 방법에 비해 결과 품질을 희생시키지 않고도 더 빠른 실행 시간을 달성한다.
Association Rule mining is one of the most important fields in data mining and knowledge discovery. This paper proposes an algorithm that combines the simple association rules derived from basic Apriori Algorithm with the multiple minimum support using maximum constraints. The algorithm is implemented, and is compared to its predecessor algorithms using a novel proposed comparison algorithm. Results of applying the proposed algorithm show faster performance than other algorithms without scarifying the accuracy.
연구 동기 및 목표
- 다양한 아이템셋 지원도 기준을 처리하는 데 있어 전통적인 Apriori의 한계를 해결한다.
- 대규모 데이터셋에 대한 연관 규칙 마이닝에서 계산 효율성을 향상시킨다.
- 기본 알고리즘에 비해 처리 시간을 단축시키면서도 높은 정확도를 유지한다.
- 기본 Apriori와 최대 제약 기반 지원 최적화를 융합한 하이브리드 접근 방식을 도입한다.
- 연관 규칙 마이닝에서 알고리즘 성능을 객관적으로 평가할 수 있는 신규 비교 프레임워크를 개발한다.
제안 방법
- 다양한 아이템셋에 대해 다른 최소 지원도 기준을 지원하도록 Apriori 알고리즘을 수정한다.
- 검색 공간을 제한하고 불필요한 후보 생성을 줄이기 위해 최대 제약 규칙을 적용한다.
- 아이템셋 빈도 분포 분 析를 통해 지원도 최적화를 통합한다.
- 사용자가 정의한 최소 지원도를 존중하면서도 고빈도 아이템셋을 우선순위로 삼는 프루닝 전략을 구현한다.
- 표준 Apriori 및 관련 변종과의 성능 비교를 위해 비교 알고리즘을 설계한다.
- 각 단계에서 제약 기반 필터링을 적용하는 레벨별 반복적 아이템셋 생성 방식을 사용한다.
실험 결과
연구 질문
- RQ1Apriori를 다중 최소 지원도 제약 조건과 병합함으로써 정확도를 저하시키지 않고 마이닝 효율성을 향상시킬 수 있는가?
- RQ2실행 시간 측면에서 제안된 알고리즘이 표준 Apriori 및 기타 최적화된 변종과 비교해 어떻게 성능을 발휘하는가?
- RQ3최대 제약 조건의 사용이 생성된 후보 아이템셋의 수를 얼마나 줄이는가?
- RQ4이 하이브리드 접근 방식은 발견된 연관 규칙의 품질을 유지하거나 향상시키는가?
- RQ5제안된 비교 알고리즘이 다양한 데이터 마이닝 시나리오에서 성능 평가에 얼마나 효과적인가?
주요 결과
- 제안된 알고리즘은 기존의 전통적 Apriori 및 그 변종에 비해 더 빠른 실행 시간을 보였다.
- 다중 최소 지원도와 최대 제약 조건의 통합은 후보 아이템셋의 수를 크게 감소시켰다.
- 알고리즘은 결과 품질에 손상이 없이도 높은 정확도를 유지하며 규칙 탐지 기능을 수행했다.
- 다양한 데이터셋 크기와 지원도 기준 설정에 걸쳐 성능 향상이 일관되게 유지되었다.
- 신규 비교 알고리즘이 성능 향상을 효과적으로 정량화하여 병합 접근 방식의 열등성을 입증했다.
- 이 방법은 다양한 거래 데이터 패턴을 다룰 수 있는 확장성과 강건성을 보였다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.