Видобування чисельних асоціативних правил з врахуванням значущості ознак

Автор(и)

  • Татьяна Анатольевна Зайко Запорізький національний технічний університет, Україна
  • Андрей Александрович Олейник Запорізький національний технічний університет вул. Жуковського, 64, м. Запоріжжя, 69063, Україна
  • Сергей Александрович Субботин Запорізький національний технічний університет вул. Жуковського, 64, м. Запоріжжя, 69063, Україна

DOI:

https://doi.org/10.15587/1729-4061.2013.18337

Ключові слова:

асоціативне правило, база правил, нечітка логіка, транзакція, фаззифікація, функція належності

Анотація

Вирішено задачу автоматизації видобування чисельних асоціативних правил. Метою роботи було створення методу видобування чисельних асоціативних правил з урахуванням значущості ознак. Запропоновано метод пошуку асоціативних правил, у якому використовується апріорна інформація про значущість ознак, що дозволяє скоротити простір пошуку та час видобування правил, зменшити кількість правил, підвищити інтерпретабельність синтезованої бази правил.

Біографії авторів

Татьяна Анатольевна Зайко, Запорізький національний технічний університет

Аспірант

Кафедра програмних засобів 

Андрей Александрович Олейник, Запорізький національний технічний університет вул. Жуковського, 64, м. Запоріжжя, 69063

Кандидат технічних наук, доцент

Кафедра програмних засобів 

Сергей Александрович Субботин, Запорізький національний технічний університет вул. Жуковського, 64, м. Запоріжжя, 69063

Кандидат технічних наук, професор

Кафедра програмних засобів

Посилання

  1. Zhang, C. Association rule mining: models and algorithms [Text] / C. Zhang, S. Zhang. – Berlin : Springer-Verlag. – 2002. – 238 p.
  2. Gkoulalas-Divanis, A. Association Rule Hiding for Data Mining [Text] / A. Gkoulalas-Divanis,V. S. Verykios. – New York : Springer-Verlag. – 2010. – 150 p.
  3. Zhao, Y. Post-mining of association rules: techniques for effective knowledge extraction [Text] / Y. Zhao, C. Zhang, L. Cao. – New York : Information Science Reference. – 2009. – 372 p.
  4. Dubois, D. A Systematic Approach to the Assessment of Fuzzy Association Rules [Text] / D. Dubois, E. Hullermeier, H. Prade // Data Mining and Knowledge Discovery. – 2006. – Vol. 13. – P. 167-192.
  5. Khan, M. S. Weighted Association Rule Mining from Binary and Fuzzy Data [Text] / M. S. Khan, M. Muyeba, F. Coenen // Lecture Notes in Computer Science. – 2008. – Vol. 5077. – P. 200-212.
  6. Lian, W. An efficient algorithm for finding dense regions for mining quantitative association rules [Text] / W. Lian, D. W. Cheung, S. M. Yiu // Computers & Mathematics With Applications. – 2005. – Vol. 50, № 3. – P. 471-490.
  7. Sohn, S. Y. Searching customer patterns of mobile service using clustering and quantitative association rule [Text] / S. Y. Sohn, Y. Kim // Expert Systems With Applications. – 2008. – Vol. 34, № 2. – P. 1070-1077.
  8. Adamo, J.-M. Data mining for association rules and sequential patterns: sequential and parallel algorithms [Text] / J.-M. Adamo. – New York : Springer-Verlag. – 2001. – 259 p.
  9. Koh, Y. S. Rare Association Rule Mining and Knowledge Discovery [Text] / Y. S. Koh, N. Rountree. – New York : Information Science Reference. – 2009. – 320 p.
  10. Zadeh, L. Fuzzy sets [Text] / L. Zadeh // Information and Control. – 1965. – № 8. – P. 338–353.
  11. Субботін, С. О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологічних і нейромережних моделей: монографія [Текст] / С. О. Субботін, А. О. Олійник, О. О. Олійник ; під заг. ред. С. О. Субботіна. – Запоріжжя : ЗНТУ, 2009. – 375 с.
  12. Encyclopedia of artificial intelligence [Text] / Eds.: J. R. Dopico, J. D. de la Calle, A. P. Sierra. – New York : Information Science Reference, 2009. – Vol. 1–3. – 1677 p.
  13. Интеллектуальные информационные технологии проектирования автоматизированных систем диагностирования и распознавания образов : монография [Текст] / [С. А. Субботин, Ан. А. Олейник, Е. А. Гофман, С. А. Зайцев, Ал. А. Олейник ; под ред. С. А. Субботина]. – Харьков : ООО “Компания Смит”, 2012. – 317 с.
  14. Прогрессивные технологии моделирования, оптимизации и интеллектуальной автоматизации этапов жизненного цикла авиадвигателей : монография [Текст] / [А. В. Богуслаев, Ал. А. Олейник, Ан. А. Олейник, Д. В. Павленко, С. А. Субботин ; под ред. Д. В. Павленко, С. А. Субботина]. – Запорожье : ОАО «Мотор Сич», 2009. – 468 с.
  15. Гибридные нейро-фаззи модели и мультиагентные технологии в сложных системах : монография [Текст] / [В. А. Филатов, Е. В. Бодянский, В. Е. Кучеренко и др. ; под общ. ред. Е. В. Бодянского]. – Дніпропетровськ : Системні технології, 2008. – 403 с.
  16. Айвазян, С. А. Прикладная статистика: Исследование зависимостей [Текст] / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин. – М.: Финансы и статистика, 1985. – 487 с.
  17. Диагностирование нейро-артритических аномалий на основе ассоциативных правил [Текст] / Т. А. Зайко, А. А. Олейник, Н. В. Жихарева, С. А. Субботин // Бионика интеллекта. – 2012. – № 2 (79). – С. 53–57.
  18. Zhang, C., Zhang, S. (2002). Association rule mining: models and algorithms. Berlin : Springer-Verlag, 238.
  19. Gkoulalas-Divanis, A., Verykios, V. S. (2010). Association Rule Hiding for Data Mining. New York : Springer-Verlag, 150.
  20. Zhao, Y., Zhang, C., Cao, L. (2009). Post-mining of association rules: techniques for effective knowledge extraction. New York : Information Science Reference, 372.
  21. Dubois, D., Hullermeier, E., Prade, H. (2006). A Systematic Approach to the Assessment of Fuzzy Association Rules. Data Mining and Knowledge Discovery, 13, 167–192.
  22. Khan, M. S., Muyeba, M, Coenen, F. (2008). Weighted Association Rule Mining from Binary and Fuzzy Data. Lecture Notes in Computer Science, 5077, 200-212.
  23. Lian, W., Cheung, D. W, Yiu, S. M. (2005). An efficient algorithm for finding dense regions for mining quantitative association rules. Computers & Mathematics With Applications, 50 (3), 471-490.
  24. Sohn, S. Y., Kim, Y. (2008). Searching customer patterns of mobile service using clustering and quantitative association rule. Expert Systems With Applications, 34 (2), 1070-1077.
  25. Adamo, J.-M. (2001). Data mining for association rules and sequential patterns: sequential and parallel algorithms. New York : Springer-Verlag, 259.
  26. Koh, Y. S., Rountree, N. (2009). Rare Association Rule Mining and Knowledge Discovery. New York : Information Science Reference, 320.
  27. Zadeh, L. (1965). Fuzzy sets. Information and Control, 8, 338–353.
  28. Subbotіn, S. O., Olіinyk, A. O., Olіinyk, O. O. (2009). Neіterativnі, evoljucіjnі ta multiagentnі metodi sintezu nechіtkologіchnih і nejromerezhnih modelej: monografіja. Zaporіzhzhja : ZNTU, 375.
  29. Dopico, J. R., Calle, J. D., Sierra., A. P. (2009). Encyclopedia of artificial intelligence. New York : Information Science Reference, 1–3, 1677.
  30. Subbotin S. A., Olіinyk, A. O., Gofman, Ye. A., Zajcev, S. A., Olіinyk, O. O. (2012). Intellektualnye informacionnye tehnologii proektirovanija avtomatizirovannyh sistem diagnostirovanija i raspoznavanija obrazov : monografija. Kharkov : Kompanija Smit, 317.
  31. Boguslaev, A. V., Olіinyk, O. O, Olіinyk, A. O., Pavlenko, D. V., Subbotin, S. A. (2009). Progressivnye tehnologii modelirovanija, optimizacii i intellektualnoj avtomatizacii jetapov zhiznennogo cikla aviadvigatelej : monografija. Zaporozhe : Motor Sich, 468.
  32. Filatov, V. A., Bodjanskij, Ye. V., Kucherenko V. Ye. et. al. (2008). Gibridnye nejro-fazzi modeli i multiagentnye tehnologii v slozhnyh sistemah : monografija. Dnіpropetrovsk : Sistemnі tehnologії, 403.
  33. Ajvazjan, S. A., Enjukov, I. S., Meshalkin, L. D. (1985). Prikladnaja statistika: Issledovanie zavisimostej. Moskva : Finansy i statistika, 487.
  34. Zajko, T. A., Olіinyk, A. O., Zhihareva, N. V., Subbotin, S. A. (2012). Diagnostirovanie nejro-artriticheskih anomalij na osnove associativnyh pravil. Bionika intellekta, 53–57.

##submission.downloads##

Опубліковано

2013-10-29

Як цитувати

Зайко, Т. А., Олейник, А. А., & Субботин, С. А. (2013). Видобування чисельних асоціативних правил з врахуванням значущості ознак. Eastern-European Journal of Enterprise Technologies, 5(4(65), 28–34. https://doi.org/10.15587/1729-4061.2013.18337

Номер

Том 5 № 4(65) (2013): Математика та кібернетика - прикладні аспекті

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2014 Татьяна Анатольевна Зайко, Андрей Александрович Олейник, Сергей Александрович Субботин

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.