[논문 리뷰] Measuring interesting rules in Characteristic rule

Harco Leslie Hendric Spits Warnars|arXiv (Cornell University)|2010. 06. 09.

Data Mining Algorithms and Applications참고 문헌 11인용 수 5

한 줄 요약

이 논문은 개념 계층의 단순성에 초점을 맞춰 특성 규칙에서의 흥미로움을 측정하는 새로운 접근법을 제안한다. 기존 히وري스틱 방법이 복잡한 계층을 선호하는 것과는 달리, 이는 단순한 계층이 일반화 복잡성을 감소시키고 규칙의 해석 가능성을 향상시켜 최종 규칙 변환 단계에서 동일한 속성을 결합하거나 묶음으로써 더 컴act하고 논리적인 공식을 생성함으로써 더 흥미로운 규칙을 도출한다고 주장한다.

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.

연구 동기 및 목표

• 특성 기반 유도 과정에서 진정으로 흥미로운 규칙을 식별하는 데 도전하는 것.
• 기존 방법의 한계를 극복하여 복잡한 개념 계층을 선호함으로써 일반화 노력은 증가시키지만 해석 가능성은 향상시키지 못하는 문제를 해결하는 것.
• 규칙의 흥미로움 측정 기준을 개념 계층의 단순성에 우선시하여 더 컴act한 규칙과 인간이 읽기 쉬운 규칙을 도출하는 것.
• 규칙 변환을 통해 튜플 수를 최소화하여 최종 일반화 결과를 개선함으로써 간단한 논리 공식으로의 변환을 용이하게 하는 것.

제안 방법

• 특성 기반 유도의 일곱 번째 단계에서 동일한 속성을 묶거나 통합함으로써 규칙을 단순화하는 규칙 변환 전략을 제안한다.
• 깊고 넓은 계층보다 浅고 좁은 개념 계층을 선호하는 규칙 흥미로움 측정 프레임워크를 도입한다.
• 최종 결과의 튜플 수를 줄이기 위해 튜플 간 동일한 속성 값에 대해 결합 연산을 적용한다.
• 규칙의 흥미로움을 결정하는 핵심 요소로 개념 트리의 깊이와 넓이를 사용하며, 더 단순한 트리는 더 흥미로운 것으로 간주한다.
• 사용자 정의 임계값 이하가 될 때까지 튜플을 병합하는 임계값 기반 일반화 과정을 활용한다.
• 기본적인 특성 기반 유도에서 발전시켜 최종 규칙 집합을 단순화하고 구조적 최적화를 통해 개선한다.

실험 결과

연구 질문

• RQ1 특성 규칙에서 규칙의 흥미로움은 어떻게 측정할 수 있으며, 더 해석 가능하고 컴act한 결과를 도출할 수 있는가?
• RQ2 개념 계층의 복잡성은 일반화 과정과 규칙 품질에 어떤 영향을 미치는가?
• RQ3 왜 특성 기반 유도의 맥락에서 단순한 개념 계층이 복잡한 것보다 더 흥미로운 규칙을 도출하는가?
• RQ4 최종 규칙 집합은 어떻게 단순화하여 튜플 수를 줄이고 논리적 표현력을 향상시킬 수 있는가?
• RQ5 동일한 속성의 결합이 규칙의 해석 가능성 향상과 일반화 오버헤드 감소에 어떤 역할을 하는가?

주요 결과

• 더 단순한 개념 계층이 더 흥미로운 규칙을 도출하며, 이는 복잡성을 선호하는 히وري스틱 접근과 정반대된다.
• 제안된 방법은 동일한 속성을 효과적으로 결합함으로써 최종 규칙 집합의 튜플 수를 감소시킨다.
• 일곱 번째 전략 단계에서의 규칙 변환이 성공적으로 규칙을 컴act하고 해석 가능한 논리적 공식으로 단순화한다.
• 깊고 넓은 트리보다 얕고 좁은 트리를 선호함으로써 일반화 복잡성을 최소화한다.
• 튜플 수 감소와 구조적 단순화 덕분에 최종 일반화 결과가 더 다루기 쉽게 인간의 이해에 적합해진다.
• 단순성과 컴act함에 초점을 맞춤으로써 특성 기반 유도에서 규칙 추출의 효율성과 명확성을 향상시킨다.