연관 규칙 마이닝에서 기여 순수 신뢰도의 제안 = The proposition of attributably pure confidence in association rule mining

국문 초록 (Abstract)

데이터 마이닝 기법 중에서 가장 많이 이용되고 있는 기법은 연관성 규칙을 탐색하는 것으로, 이 기법은 지지도, 신뢰도, 향상도 등의 연관성 평가 기준을 기반으로 하여 각 항목집합들 간의 관련성을 찾아내는 데 활용되고 있다. 연관성을 평가하기 위한 기준으로 많은 흥미도 측도가 개발되어 있다. 그 중에서도 신뢰도가 가장 많이 활용되고 있으나 신뢰도는 연관성의 방향을 알 수가 없다는 단점을 가지고 있다. 이를 보완하기 위한 측도로 순수 신뢰도가 개발되었으나, 이 또한 양의 신뢰도의 값과 음의 신뢰도의 값이 동일한 경우에는 순수 신뢰도의 값이 같아지므로 이러한 경우에는 순수 신뢰도로는 차이를 알 수 없다. 이에 본 논문에서는 기존의 신뢰도와 순수 신뢰도의 단점을 보완한 연관성 평가기준인 기여 순수 신뢰도를 제안하였다. 또한 예제를 통하여 그 유용성을 알아본 결과, 기여 순수 신뢰도는 그 부호에 의해 연관성 규칙의 방향을 파악할 수 있는 동시에 순수 신뢰도에 의해서는 구분할 수 없는 상황도 해석 가능하게 할 수 있다는 사실을 확인하였다.

다국어 초록 (Multilingual Abstract)

The most widely used data mining technique is to explore association rules. This technique has been used to find the relationship between each set of items based on the association thresholds such as support, confidence, lift, etc. There are many interestingness measures as the criteria for evaluating association rules. Among them, confidence is the most frequently used, but it has the drawback that it can not determine the direction of the association. The net confidence measure was developed to compensate for this drawback, but it is useless in the case that the value of positive confidence is the same as that of negative confidence. This paper propose a attributably pure confidence to evaluate association rules and then describe some properties for a proposed measure. The comparative studies with confidence, net confidence, and attributably pure confidence are shown by numerical example. The results show that the attributably pure confidence is better than confidence or net confidence.

참고문헌 (Reference)

1 박희창, "연관성 규칙을 이용한 지역정보와 통합된 폐기물 데이터 분석" 한국자료분석학회 7 (7): 763-772, 2005

2 안광일, "연관규칙 탐색에서 새로운 흥미도 척도의 제안" 대한산업공학회 29 (29): 41-48, 2003

3 박희창, "고유한 항목 특성 파악을 위한 순수 연관성 규칙의 제안" 한국자료분석학회 11 (11): 859-869, 2009

4 Silberschatz, A, "What makes patterns interesting in knowledge discovery systems" 8 : 970-974, 1996

5 박희창, "The Proposition of Conditionally Pure Confidence in Association Rule Mining" 한국데이터정보과학회 19 (19): 1141-1151, 2008

6 Tan, P. N., "Selecting the right interestingness measure for association patterns" 32-41, 2002

7 Freitas, A., "On rule interestingness measures" 12 : 309-315, 1999

8 Han, J, "Mining multiple-level association rules in large databases" 11 : 68-77, 1999

9 Han, J., "Mining frequent patterns without candidate generation" 1-12, 2000

10 Cai, C. H, "Mining association rules with weighted items" 68-77, 1998

11 Liu, B., "Mining association rules with multiple minimum supports" 337-341, 1999

12 Agrawal, R., "Mining association rules between sets of items in large databases" 207-216, 1993

13 Agrawal, R, "Fast algorithms for mining association rules" 487-499, 1994

14 Piatetsky-Shapiro, G, "Discovery, analysis and presentation of strong rules, Knowledge Discovery in Databases" AAAI/MIT Press 229-248, 1991

15 Pasquier, N., "Discovering frequent closed itemsets for association rules" 398-416, 1999

16 최재호, "Comparative Study of Quantitative Data Binning Methods in Association Rule" 한국데이터정보과학회 19 (19): 903-911, 2008

17 Pei, J., "CLOSET: An efficient algorithm for mining frequent closed itemsets" 21-30, 2000

18 Hilderman, R. J, "Applying objective interestingness measures in data mining systems" 432-439, 2000

19 Bing, Liu, B., "Analyzing the subjective interestingness of association rules" 15 : 47-55, 2000

20 박종수, "An Effective Hash-based Algorithm for Mining Association Rules" ACM SIGMOD 175-186, 1995

21 Berzal, F., "A new framework to assess association rules" 95-104, 2001

22 조광현, "A Study of Association Rule Applicationusing Self-Organizing Map for Fused Data" 한국데이터정보과학회 19 (19): 95-104, 2008