[论文解读] Class Association Rules Mining based Rough Set Method

Thabet Slimani|arXiv (Cornell University)|Sep 17, 2015

Data Mining Algorithms and Applications参考文献 10被引用 5

一句话总结

本文提出了一种基于粗糙集的类关联规则（CARs）挖掘方法，利用下近似集计算支持度与置信度，受Apriori算法启发。该方法通过结合粗糙集理论简化CAR发现过程，实现高效且有效的规则生成，并在可解释性方面优于传统关联规则挖掘方法。

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.

研究动机与目标

• 解决传统类关联规则挖掘方法的复杂性与低效性问题。
• 通过整合粗糙集理论与关联规则挖掘，简化CAR发现过程。
• 开发一种高效算法，利用下近似集的支持度与置信度度量挖掘最细粒度的类规则集。
• 提升类关联规则生成的可解释性并降低计算开销。
• 展示基于粗糙集的方法相较于经典关联规则方法的有效性。

提出的方法

• 所提出的方法基于粗糙集理论，依据决策类的下近似集定义类关联规则。
• 利用从下近似集导出的基本集合计算规则的支持度与置信度，确保与粗糙集原理的一致性。
• 采用受Apriori启发的算法生成频繁项集，并基于粗糙集定义的支持度阈值进行剪枝。
• 算法从频繁项集迭代构建候选规则，并使用基于下近似集的置信度进行评估。
• 通过聚焦于最具体的下近似集，确保最小冗余，生成最细粒度的规则集。
• 该方法避免了预先离散化或复杂预处理的需要，从而提升效率。

实验结果

研究问题

• RQ1 粗糙集理论如何被有效应用于简化类关联规则挖掘？
• RQ2 使用下近似集对CAR挖掘中的支持度与置信度计算有何影响？
• RQ3 受Apriori启发的算法能否被有效适配以配合基于粗糙集的支持度与置信度度量？
• RQ4 与传统关联规则挖掘技术相比，所提出方法在效率与准确性方面表现如何？
• RQ5 使用该基于粗糙集的方法生成的规则集的质量与可解释性如何？

主要发现

• 所提出的基于粗糙集的方法显著简化了类关联规则的发现过程，相较于经典关联规则挖掘方法。
• 使用下近似集可实现精确且一致的支持度与置信度计算，提升规则的可靠性。
• 受Apriori启发的算法高效生成最细粒度的类规则集，计算开销显著降低。
• 该方法生成的规则质量高且冗余极少，这通过聚焦于下近似集中的最具体规则得到验证。
• 该方法在实际应用中表现出高效与可扩展性，其成功应用并发表于同行评审期刊（IJET, 2014–2015）。
• 结果证实，基于粗糙集的CAR挖掘在可解释性与效率方面优于传统方法。