Wykrywanie reguł nietypowych - metody oparte na analizie skupień

• Autorzy: Nowak-Brzezińska A.

Warianty tytułu

EN

Mining outliers in rule knowledge bases – clustering based methods

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia problematykę wykrywania odchyleń w regułowych bazach wiedzy. Reguły nietypowe, uznawane tu za odchylenia, powinny być przedmiotem analiz ekspertów i inżynierów wiedzy, gdyż mogą wpływać na efektywność wnioskowania w systemach wspomagania decyzji. Autorka prezentuje różne podejścia w znajdowaniu odchyleń w strukturze skupień reguł. W artykule ujęto także wykonane eksperymenty wraz z interpretacją wyników.

EN

The paper presents the problem of outlier detection in the rule knowledge bases. Unusual (rare) rules, regarded here as the deviation, should be the subject of analysis experts and knowledge engineers because they can influence the efficiency of inference in decision support systems. The author presents a different approach in finding outliers in the structure of rules’ clusters. The experiments with their results are also presented in the paper.

Słowa kluczowe

PL

obserwacje odstające; analiza skupień; regułowe bazy wiedzy; efektywność

EN

outliers; cluster analysis; rules knowledge bases; efficiency

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2013
• Tom: Vol. 34, nr 2A
• Strony: 239--250
• Opis fizyczny: Bibliogr. 10 poz.

Twórcy

autor

Nowak-Brzezińska A.

• Uniwersytet Śląski, Instytut Informatyki, ul. Będzińska 39, 41-200 Sosnowiec, Polska

Bibliografia

• 1. Kaufman L., Rousseeuw P. J.: Finding Groups in Data: An Introduction to Cluster Analysis. John Wiley Sons, New York 1990.
• 2. Koronacki J., Ćwik J.: Statystyczne systemy uczące się. WNT, Warszawa 2005.
• 3. Koronacki J., Mielniczuk J.: Statystyka dla studentów kierunków technicznych i przyrodniczych. WNT, Warszawa 2009.
• 4. Nowak A.: Złożone bazy wiedzy: struktura i procesy wnioskowania. Rozprawa doktorska, Uniwersytet Śląski, Wydział Informatyki i Nauki o Materiałach, Katowice 2009.
• 5. Nowak-Brzezińska A.: Eksploracja odchyleń w regułowych bazach wiedzy. Studia Informatica, Vol. 33, No. 2A (105), Gliwice 2012, s. 479÷492.
• 6. Pearson R. K.: Mining imperfect data – dealing with contamination and incomplete records. SIAM, I-X, 1-305, 2005.
• 7. Breunig M., Kriegel H.-P., Ng R. T., Sander J.: LOF: Identifying Density-Based Local Outliers. KDD, 2000.
• 8. Cherednichenko S.: Outlier Detection in Clustering. University of Joensuu, Department of Computer Science, Master’s Thesis, 2005.
• 9. Hawkins D.: Identification of Outliers. Chapman and Hall, 1980.
• 10. Loureiro A., Torgo L., Soares C.: Outlier Detection Using Clustering Methods: a data cleaning application. Proceedings of KDNet Symposium on Knowledge-based Systems for the Public Sector, Bonn, Germany 2004.