Tartalom
Az asszociációs szabályok bányászatának az előző fejezetben leírt megfogalmazásánál feltételeztük, hogy a bemenő adatok bináris attribútumokból állnak, melyeket elemeknek nevezünk. Azt is feltételeztük továbbá, hogy egy elem jelenléte fontosabb, mint a hiánya. Ennek eredményeképpen az elemeket aszimmetrikus bináris attribútumokként kezeljük, és csak a gyakori mintázatokkal foglalkozunk.
Ebben a fejezetben kiterjesztjük a megfogalmazást szimmetrikus bináris, kategorikus és folytonos attribútumokkal rendelkező adatállományokra. A megfogalmazást kiterjesztjük továbbá az olyan bonyolultabb konstrukciókra is, mint a sorozatok és a gráfok. Bár ezzel nem változtatunk az asszociációs elemzési algoritmusok általános felépítésén, de az algoritmusok bizonyos részleteit módosítanunk kell, hogy kezelni tudják a hagyományostól eltérő konstrukciókat.
Számos alkalmazásban használunk szimmetrikus bináris és nominális
attribútumokat. A 7.1. táblázatban látható internetes kérdőíves adatok
olyan szimmetrikus bináris attribútumokat tartalmaznak, mint például a
Nem, Otthoni számítógép, Online csevegés, Online vásárlás,
és Biztonsági aggályok; ezen felül pedig olyan nominális
attribútumokat is, mint az Iskolázottsági szint és
Állam . Asszociációs elemzéssel olyan érdekes információkat
tárhatunk fel az Internet felhasználóiról, mint például:
Ez a szabály arra utal, hogy a legtöbb olyan internet-felhasználó, aki online boltokban vásárol, foglalkozik személyes adatainak biztonságával.
7.1. táblázat - Internetes kérdőíves adatok kategorikus attribútumokkal
Nem | Iskolázottsági | Állam | Otthoni | Online | Online | Biztonsági |
szint |
| számítógép | csevegés | vásárlás | aggályok | |
nő | egyetem | Illinois | igen | igen | igen | igen |
férfi | főiskola | California | nem | nem | nem | nem |
férfi | egyetem | Michigan | igen | igen | igen | igen |
nő | főiskola | Virginia | nem | nem | igen | igen |
nő | egyetem | California | igen | nem | nem | igen |
férfi | főiskola | Minnesota | igen | igen | igen | igen |
férfi | érettségi | Alaska | igen | igen | nem | nem |
férfi | érettségi | Oregon | igen | nem | nem | nem |
nő | egyetem | Texas | nem | igen | nem | nem |
|
|
|
|
|
|
|
Az ilyen mintázatok kinyeréséhez először ``elemekké'' alakítjuk a
kategorikus és a szimmetrikus bináris attribútumokat, hogy használni
tudjuk a meglévő asszociációs szabály bányászati algoritmusokat. Ezt a
transzformációt végrehajthatjuk úgy, hogy minden egyes attribútum-érték
párhoz létrehozunk egy új elemet. Az Iskolázottsági szint
nominális attribútumot például az
Nem , hasonlóképpen
alakíthatóak át olyan bináris elempárokká, mint a Férfi
és Nő . A 7.2. táblázatban látható az internetes kérdőíves
adatok binarizálásának eredménye.
7.2. táblázat - Internetes kérdőíves adatok a kategorikus és szimmetrikus bináris attribútumok binarizálása után
Férfi | Nő | Iskolázottság | Iskolázottság |
| Biztonsági | Biztonsági |
| = egyetem | = főiskola |
| aggályok | aggályok | |
|
|
|
| = igen | = nem | |
0 | 1 | 1 | 0 |
| 1 | 0 |
1 | 0 | 0 | 1 |
| 0 | 1 |
1 | 0 | 1 | 0 |
| 1 | 0 |
0 | 1 | 0 | 1 |
| 1 | 0 |
0 | 1 | 1 | 0 |
| 1 | 0 |
1 | 0 | 0 | 1 |
| 1 | 0 |
1 | 0 | 0 | 1 |
| 0 | 1 |
1 | 0 | 0 | 0 |
| 0 | 1 |
0 | 1 | 1 | 0 |
| 0 | 1 |
|
|
|
|
|
|
|
A következő szempontokat kell mérlegelnünk, amikor binarizált adatokon hajtunk végre asszociációs elemzést:
-
Előfordulhat, hogy egyes attribútumértékek nem elég gyakoriak ahhoz, hogy egy gyakori mintázat részét képezzék. Ez a probléma látványosabban jelentkezik nominális attribútumoknál, amelyeknek sok lehetséges értéke lehet, mint például az államok nevei. A támogatottsági küszöbérték csökkentése nem segít ezen, mivel exponenciálisan növeli a talált gyakori mintázatok számát (amelyek nagy része hamis lehet), és így költségesebbé teszi a számítást. Szerencsésebb megoldás, ha a hasonló attribútumértékeket néhány kategóriába soroljuk be, például az államok neveit a földrajzi régiójuk nevére cseréljük, mint például
Közép-Nyugat, Északnyugati part, Délnyugat, Keleti part. Másik megoldásként a kevésbé gyakori attribútumértékeket összevonhatjuk egyEgyébkategóriába, mint ahogy a 7.1. ábrán is látható.
-
Egyes attribútumértékek előfordulási gyakorisága jelentősen nagyobb lehet, mint a többi értéké. Tegyük fel például, hogy a felmérésben résztvevők 85%-a rendelkezik otthoni számítógéppel. Ha minden, az adatállományban gyakran előforduló attribútumértékhez létrehozunk egy bináris elemet, könnyen előfordulhat, hogy a következő példához hasonló felesleges mintázatokat generálunk:
Ez a szabály azért felesleges, mert a szakasz elején megadott, általánosabb szabály már magában foglalja. Mivel a magas előfordulási gyakoriságú elemek általában egy attribútum jellemző értékéhez tartoznak, nagyon ritkán hordoznak olyan új információt, amely segíthet a mintázat megértésében. Ezért hasznos lehet az ilyen elemek eltávolítása, mielőtt szabványos aszociációs elemzési algoritmusokat alkalmaznánk. Egy másik lehetőség nagy számú támogatottsági értékkel rendelkező adatállományok kezelésére a 6.8. alfejezetben leírt módszerek alkalmazása.
-
Bár minden tranzakció mérete az eredeti adatállomány attribútumainak számával egyezik meg, a számítási idő mégis megnőhet, főleg akkor, ha az újonnan létrehozott elemek közül sok válik gyakorivá. Ezt azzal magyarázhatjuk, hogy több időt vesz igénybe azon elemhalmaz jelöltek kezelése, amelyeket ezek az elemek generálnak (lásd ex4:traffic. feladatot ex4:traffic. oldalon). Egy mód a számítási időt csökkentésére, hogy elkerüljük az olyan elemhalmaz jelöltek generálását, amelyek ugyanazon attribútumhoz tartozó elemek közül egynél többet tartalmaznak. Nem kell generálnunk például az olyan elemhalmaz jelölteket, mint az