[論文レビュー] Role of Interestingness Measures in CAR Rule Ordering for Associative Classifier: An Empirical Approach

S. Kannan, R. Bhaskaran|arXiv (Cornell University)|Jan 20, 2010

Data Mining Algorithms and Applications参考文献 14被引用数 4

ひとこと要約

本論文は、伝統的な信頼度、サポート、前件部サイズ（CSA）とは異なる興味のわく尺度—特にリフト、リベッジ、コンヴェクション—が、関連分類器におけるルール順序付けと選択に与える影響を調査する。ベンチマークデータセットを用いた実験的評価により、著者らは、リフトが最も一貫した向上を示し、CSA単独よりも分類精度とルール品質が著しく向上することを示している。

ABSTRACT

Associative Classifier is a novel technique which is the integration of Association Rule Mining and Classification. The difficult task in building Associative Classifier model is the selection of relevant rules from a large number of class association rules (CARs). A very popular method of ordering rules for selection is based on confidence, support and antecedent size (CSA). Other methods are based on hybrid orderings in which CSA method is combined with other measures. In the present work, we study the effect of using different interestingness measures of Association rules in CAR rule ordering and selection for associative classifier.

研究の動機と目的

• 関連分類器のためのクラス関連ルール（CARs）の順序付けと選択において、さまざまな興味のわく尺度の有効性を評価すること。
• 関連ルールマイニングによって生成される大規模なルール集合からのルール選択の課題に対処すること。
• CSA（信頼度、サポート、前件部サイズ）と、追加の興味のわく尺度を組み合わせたハイブリッド順序付けの性能を比較すること。
• 関連分類器において、最高の分類精度とルール品質をもたらす興味のわく尺度を特定すること。

提案手法

• 著者らは、訓練データからクラス関連ルール（CARs）を抽出するために関連ルールマイニングを適用する。
• 信頼度、サポート、前件部サイズに加え、リフト、リベッジ、コンヴェクション、その他の興味のわく尺度を評価する。
• CSAと各興味のわく尺度を組み合わせたハイブリッド順位付けに基づいて、ルールを順序付けおよび選択する。
• 標準的なベンチマークデータセットを用いて10分割交差検証により分類精度を測定する。
• 標準的な分類指標（精度、F1スコアなど）を用いて、各ルール順序付け戦略の性能を比較する。
• 結果の堅牢性と一貫性を評価するために、複数のデータセットで実験を実施する。

実験結果

リサーチクエスチョン

• RQ1 さまざまな興味のわく尺度は、関連分類器におけるCARの順序付けにおいて、従来のCSA手法に比べてどのように異なるか？
• RQ2 ルール選択において、どの興味のわく尺度が最高の分類精度をもたらすか？
• RQ3 CSAと興味のわく尺度を組み合わせることで、CSA単独よりも分類器の性能が向上するか？
• RQ4 性能向上の度合いは、さまざまなベンチマークデータセットで一貫しているか？
• RQ5 リフト、リベッジ、コンヴェクションなどの各興味のわく尺度が、ルール品質および分類精度に果たす相対的寄与度は何か？

主な発見

• リフトをルール順序付けの指標として用いることで、CSAおよび他の興味のわく尺度よりも一貫して分類精度が優れていた。
• CSAとリフトを組み合わせたハイブリッド順序付けが、全テストデータセットで最高の平均精度を達成した。
• リベッジとコンヴェクションはCSAよりも中程度の改善を示したが、リフトほど効果的ではなかった。
• 興味のわく尺度の導入により、分類に必要なルール数が減少したが、精度は維持または向上した。
• ルールの重複度が高いデータセットでは、興味のわく尺度によるルールの刈り込みがモデルの効率を著しく向上させた。
• 実験的結果から、リフトは信頼度やサポート単独よりも、関連分類器のルール選択においてより信頼できるルールの関連性の指標であることが確認された。