Optymalizacja częściowych reguł asocjacyjnych względem liczby pomyłek

• Autorzy: Zielosko B. , Robaszkiewicz M.

Warianty tytułu

EN

Optimization of partial association rules relative to number of misclassifications

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia optymalizację częściowych reguł asocjacyjnych generowanych przez algorytm zachłanny względem liczby pomyłek (błędnych zaklasyfikowań). Zaproponowana optymalizacja ma na celu: (i) uzyskanie reguł o stosunkowo dobrej jakości, które w kolejnych etapach badań zostaną wykorzystane do budowy klasyfikatorów, (ii) zmniejszenie liczby konstruowanych reguł, co ma znaczenie z punktu widzenia reprezentacji wiedzy. Praca przedstawia wyniki eksperymentalne dla zbiorów danych umieszczonych w Repozytorium Uczenia Maszynowego.

EN

In the paper, an optimization of partial association rules relative to number of misclassifications is presented. The aims of proposed optimization are: (i) construction of rules with small number of misclassifications, what is important from the point of view of construction of classifiers, (ii) decreasing the number of rules, what is important from the point of view of knowledge representation. The paper contains experimental results for data sets from UCI Machine Learning Repository.

Słowa kluczowe

PL

zbiory przybliżone; algorytm zachłanny; częściowe reguły asocjacyjne; liczba pomyłek

EN

rough sets; greedy algorithm; partial association rules; misclassifications

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2016
• Tom: Vol. 37, nr 1
• Strony: 187--198
• Opis fizyczny: Bibliogr. 13 poz.

Twórcy

autor

Zielosko B.

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

autor

Robaszkiewicz M.

• EL-PLUS Sp. z o.o., ul. Inwalidzka 11, 41-506 Chorzów, Polska

Bibliografia

• 1. Agrawal R., Srikant R.: Fast algorithms for mining association rules in large databases. [in:] Bocca J.B., Jarke M., Zaniolo C. (eds.): Proceedings of 20th International Confer-ence on Very Large Data Bases, Morgan Kaufmann, 1994.
• 2. Asuncion A., Newman D.: UCI machine learning repository, http://www.ics.uci.edu/ ~mlearn/MLRepository.html, School of Information and Computer Sciences, University of California, Irvine (dostęp luty 2016).
• 3. Borgelt C.: Simple algorithms for frequent item set mining. [in:] Koronacki J., Raś Z. W., Wierzchoń S.T., Kacprzyk J. (eds.): Advances in Machine Learning II, Studies in Computational Intelligence, Vol. 263, Springer, 2010, s. 351÷369.
• 4. Moshkov M.J., Piliszczuk M., Zielosko B.: Greedy algorithm for construction of partial association rules. Fundamenta Informaticae, Vol. 92(3), 2009, s. 259÷277.
• 5. Moshkov M.J., Skowron A., Suraj Z.: On minimal rule sets for almost all binary infor-mation systems. Fundamenta Informaticae, Vol. 80(1-3), 2007, s. 247÷258.
• 6. Nguyen H.S., Ślęzak D.: Approximate reducts and association rules – correspondence and complexity results. [in:] Zhong N., Skowron A., Ohsuga S. (eds.): Proc. Rough Sets, Fuzzy Sets, Data Mining and Granular Computing, LNCS (LNAI), Vol. 1711, Springer, Heidelberg 1999.
• 7. Pawlak Z.: Systemy Informacyjne – Podstawy teoretyczne. Wydawnictwa Naukowo-Techniczne, Warszawa 1983.
• 8. Rissanen J.: Modeling by shortest data description. Automatica, Vol. 14, 1978, s. 465÷471.
• 9. Skowron A.: Rough sets in KDD. [in:] Shi Z., Faltings B., Musen M. (eds.): Proc. 16th IFIP World Computer Congress, Publishing House of Electronic Industry, 2000.
• 10. Stefanowski J., Vanderpooten D.: Induction of decision rules in classification and di-scovery-oriented perspectives. International Journal of Intelligent Systems, Vol. 16(1), 2001, s. 13÷27.
• 11. Wieczorek A., Słowiński R.: Generating a set of association and decision rules with statistically representative support and anti-support. Inf. Sci., Vol. 277, 2014, s. 56÷70.
• 12. Zielosko B.: Algorytm zachłanny dla konstruowania częściowych reguł asocjacyjnych. Studia Informatica, Vol. 31, No. 2A(89), Gliwice 2010, s. 225÷236.
• 13. Zielosko B., Robaszkiewicz M.: Greedy Algorithm for Optimization of Association Rules Relative to Length. KES Smart Innovation Systems and Technologies, 2016 (ar-tykuł przyjęty do publikacji).

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.