雙門檻值制定應用於關聯法則之研究 陳政富、李德治
E-mail: [email protected]
摘 要
近年來有關資料探勘的技術已成為相當熱門的研究議題之 一，其中有一項重要的議題就是如何從交易資料庫中挖掘出關聯 法則。關聯法則的成立必須滿足使用者所制定的最小支持度 (minimum support)與最小信賴度(minimum confidence)。傳統的 關 聯法則演算法僅制定一個最小支持度與最小信賴度，因此支持度 較低但信賴度較高的項目將不會被挖掘出來。為了有 效防止這種 問題，有學者提出相關支持度Apriori 演算法(Relative support Apriori Algorithm; RSAA)以解決這類問題。 然而
，傳統的關聯法則演算法對於門檻值的制定都是經由專 家根據經驗自行訂定，相關支持度Apriori 演算法的第一個最小支 持度(1st support)與第二個最小支持度(2nd support)亦是如此。有鑑 於此，本研究嘗試以新的方法制定門檻值。先以平均項 目集合分 割演算法訂定出第一個最小支持度，再根據第一個最小支持度的 制定情況以及資料庫項目特性，如商品的獲利
，訂出第二個最小 支持度。 最後，我們利用程式以亂數的方式產生資料，做為本研究之 資料來源，以雙門檻值法實際挖 掘出關聯法則，並與Apriori 演算 法比較資料挖掘在各方面的績效狀況，以利未來研究之進行。
關鍵詞 : 資料探勘、關聯法則、相關支持度Apriori演算法、門檻值、支持度、信賴度、平均項目集合分割、雙門檻值。
目錄
封面內頁 簽名頁 授權書...iii 中文摘要... v 英文摘 要... vi 誌謝...vii 目
錄...viii 圖目錄... x 表目
錄... xi 第一章 緒論... 1 1.1 研究背景與動 機... 1 1.2 研究目的... 3 1.3 研究範圍與限 制... 4 1.4 研究流程... 4 第二章 文獻探 討... 6 2.1 資料探勘... 6 2.1.1 資料探勘的定 義... 6 2.1.2 資料探勘的步驟... 8 2.1.3 資料探勘的技 術... 9 2.2 關聯法則... 11 2.2.1 關聯法則之定
義... 11 2.2.2 Apriori 關聯法則演算... 12 2.2.3 多重最小支持度Apriori 演算法... 20 2.2.4 相關支持度Apriori演算法... 24 2.2.5 平均項目集合分割 法... 30 第三章 研究方法... 34 3.1 資料分
類... 36 3.2 第二門檻值產生法... 37 3.3 第二門檻值產生法實 作... 39 第四章 實驗與結果評估... 42 4.1 關聯法則探
勘... 42 4.2 評估... 45 第五章 結 論... 48 5.1 結論... 48 5.2 未來研 究... 48 參考文獻... 50
參考文獻
[1] 鄧安生，「新式探勘方法在關聯法則門檻值制定之研究」， 大葉大學資訊管理學系碩士論文，2003。
[2] Agrawal, R. and Srikant, R., “Fast Algorithm for Mining Association Rules,” In Proceedings of the 20th International Conference on Very Large Databases, pp. 487-499, 1994.
[3] Agrawal, R., Imilienski, T. and Swami, A., “Mining Association Rules between Sets of Items in Large Databases,” In Proceedings of ACM SIGMOD international Conference on Management of Data, pp. 207-216, 1993.
[4] Alsabti, K., Ranka, S. and Singh, V., “An Efficient K-Means Clustering Algorithm,” PPS/SPDP Workshop on High performance Data Mining, 1997.
[5] Brin, S., Motwani, R. and Silverstein, C., “Beyond Market Baskets: Generalizing Association Rules to Correlations,” In Proceedings of ACM SIGMOD Conference on Management of Data, pp. 265-276, 1997.
[6] Cabena, P., Hadjinian, P., Stadler, R., Verhees, J. and Zanasi, A., “Discovering Data Mining From Concept to Implementation,”
Prentice-Hall Inc., 1997.
[7] Chen, M.S., Park, J.S. and Yu, P.S., “Efficient Data Mining for Path Traversal Patterns,” IEEE Transactions on Knowledge and Data Engineering, Vol. 10, No. 2, pp. 209-221, April 1998.
[8] Cheung, D.W., Han, J., Ng, V.T., Fu, A.W. and Fu, Y., “A Fast Distributed Algorithm for Mining Association Rules,” In Proc. of 1996 Int
’l Conf. on PDIS’96, Miami Beach, Florida, USA, Dec. 1996.
[9] Fayyad, U., Piatetsky-Shapiro, G. and Smyth, P., “The KDD Process for Extracting Useful Knowledge from Volumes of Data,”
Communications of The ACM, Volume 39, Number 11, pp. 27-34, 1996.
[10] Fayyad, U.M., “Data Mining and Knowledge Discovery: Making Sense Out of Data,” IEEE Expert, Volume 11, Issue 5, pp. 20-25, 1996.
[11] Frawley, W.J., Piatetsky-Shapiro, G. and Matheus, C., “Knowledge Discovery in Databases: An Overview,” AI Magazine, pp. 213-228, 1992.
[12] Han, J. and Kamber, M., “Data Mining: Concepts and Techniques,” Morgan Kaufmann Publisher, 2000.
[13] Yun, H., Ha, D., Hwang, B. and Ryu, K.H., “Mining association rules on significant rare data using relative support,” The Journal of Systems and Software 67, pp. 181–191, 2003.
[14] Kaufman, L. and Rousseeuw, P.J., “Finding Groups in Data: an Introduction to Cluster Analysis,” John Wiley & Sons, 1990.
[15] Kleissner, C., “Data Mining for the Enterprise,” In Proceedings of the Thirty-First Hawaii International Conference on, Volume 7, pp.
295-304, 1998.
[16] Liu, B., Hsu, W. and Ma, Y., “Mining Association Rules with Multiple Minimum Supports,” Proc. 5th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 337-341, May 1999.
[17] Michael, J.A. and Linoff, G., “Data Mining Technique: for Marketing, Sales and Customer Support,” Wiley Computer Publishing, New York, 1997.
[18] Ng, R.T. and Han, J., “Efficient and Effective Clustering Methods for Spatial Data Mining,” Proc. of the 20th Int’l Conf. on Very Large Databases, Santiago, Chile, pp. 144-155, 1994.
[19] Weiss, S.M. and Kulikowski, C.A., “Computer System that Learn: Classification and Prediction Methods from Statistics, Neural Nets, Machine Learning, and Expert System,” Morgan Kaufman, 1991.
[20] Zhang, C. and Zhang, S., “Association Rule Mining: Model and Algorithms,” Springer-Verlag Berlin Heidelberg, New York, 2002.
