Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phương pháp khai thác gen-fuzzy cho các mục với nhiều mức hỗ trợ tối thiểu
Soft Computing - 2008
Tóm tắt
Khai thác dữ liệu là quá trình trích xuất những kiến thức mong muốn hoặc các mẫu thú vị từ các cơ sở dữ liệu hiện có cho các mục đích cụ thể. Khai thác các quy tắc liên kết từ dữ liệu giao dịch là một trong những kỹ thuật khai thác phổ biến nhất. Hầu hết các phương pháp khai thác trước đây đều đặt ra một ngưỡng hỗ trợ tối thiểu duy nhất cho tất cả các mục và xác định các mối quan hệ giữa các giao dịch bằng cách sử dụng giá trị nhị phân. Trước đây, chúng tôi đã đề xuất một thuật toán khai thác dữ liệu gen-fuzzy để trích xuất cả quy tắc liên kết và hàm thành viên từ các giao dịch định lượng dưới một ngưỡng hỗ trợ tối thiểu duy nhất. Trong các ứng dụng thực tế, các mục khác nhau có thể có các tiêu chí khác nhau để đánh giá tầm quan trọng của chúng. Do đó, trong bài báo này, chúng tôi đề xuất một thuật toán kết hợp giữa phân cụm, fuzzy và các khái niệm gen để trích xuất các giá trị hỗ trợ tối thiểu đa dạng hợp lý, hàm thành viên và quy tắc liên kết fuzzy từ các giao dịch định lượng. Thuật toán trước tiên sử dụng phương pháp phân cụm k-means để nhóm các mục tương tự lại với nhau. Tất cả các mục trong cùng một cụm được coi là có đặc điểm tương tự và được gán các giá trị tương tự để khởi tạo một quần thể tốt hơn. Mỗi nhiễm sắc thể sau đó được đánh giá theo các tiêu chí sự thỏa mãn yêu cầu và độ phù hợp của các hàm thành viên để ước lượng giá trị thích nghi của nó. Kết quả thực nghiệm cũng cho thấy hiệu quả và hiệu suất của phương pháp được đề xuất.
Từ khóa
#khai thác dữ liệu #quy tắc liên kết #hàm thành viên #phân cụm k-means #thuật toán gen-fuzzyTài liệu tham khảo
Agrawal R, Srikant R (1994) Fast algorithm for mining association rules. In: The international conference on very large databases, pp 487–499
Chan CC, Au WH (1997) Mining fuzzy association rules. In: The conference on information and knowledge management, pp 209–215
Casillas J, Cordón O, del Jesus MJ, Herrera F (2005) Genetic tuning of fuzzy rule deep structures preserving interpretability and its interaction with fuzzy rule set reduction. IEEE Trans Fuzzy Syst 13(1):13–29
Chen J, Mikulcic A, Kraft DH (2000) An integrated approach to information retrieval with fuzzy clustering and fuzzy inferencing. In: Pons O, Vila MA, Kacprzyk J (eds) Knowledge management in fuzzy databases. Physica-Verlag, Heidelberg
Chen CH, Hong TP, Tseng VS (2007) A comparison of different fitness functions for extracting membership functions used in fuzzy data mining. In: IEEE symposium on foundations of computational intelligence, pp 550–555
Cordón O, Herrera F, Villar P (2001) Generating the knowledge base of a fuzzy rule-based system by the genetic learning of the data base. IEEE Trans Fuzzy Syst 9(4):667–674
Herrera F, Lozano M, Verdegay JL (1997) Fuzzy connectives based crossover operators to model genetic algorithms population diversity. Fuzzy Sets Syst 92(1):21–30
Hong TP, Chen CH, Wu YL, Lee YC (2006) A GA-based fuzzy mining approach to achieve a trade-off between number of rules and suitability of membership functions. Soft Comput 10(11):1091–1101
Hong TP, Chen CH, Lee YC, Wu YL (2008) Genetic-fuzzy data mining with divide-and-conquer strategy. IEEE Trans Evol Comput (Accepted and to appear)
Hong TP, Kuo CS, Chi SC (1999) Mining association rules from quantitative data. Intell Data Anal 3(5):363–376
Hong TP, Kuo CS, Chi SC (2001) Trade-off between time complexity and number of rules for fuzzy mining from quantitative data. Int J Uncertain Fuzziness Knowl Based Syst 9(5):587–604
Heng PA, Wong TT, Rong Y, Chui YP, Xie YM, Leung KS, Leung PC (2006) Intelligent inferencing and haptic simulation for Chinese acupuncture learning and training. IEEE Trans Inf Technol Biomed 10(1):28–41
Ishibuchi H, Yamamoto T (2005) Rule weight specification in fuzzy rule-based classification systems. IEEE Trans Fuzzy Syst 13(4):428–435
Kaya M, Alhajj R (2006) Utilizing genetic algorithms to optimize membership functions for fuzzy weighted association rules mining. Appl Intell 24(1):7–15
Kuok C, Fu A, Wong M (1998) Mining fuzzy association rules in databases. SIGMOD Record 27(1):41–46
Lee YC, Hong TP, Lin WY (2004) Mining fuzzy association rules with multiple minimum supports using maximum constraints. Lect Notes Comput Sci 3214:1283–1290
Liang H, Wu Z, Wu Q (2002) A fuzzy based supply chain management decision support system. World Congr Intell Control Autom 4:2617–2621
Mucientes M, Moreno DL, Bugarin A, Barro S (2006) Evolutionary learning of a fuzzy controller for wallfollowing behavior in mobile robotics. Soft Comput 10(10):881–889
Parodi A, Bonelli P (1993) A new approach of fuzzy classifier systems. In: The fifth international conference on genetic algorithms, Morgan Kaufmann, Los Altos, pp 223–230
Roubos H, Setnes M (2001) Compact and transparent fuzzy models and classifiers through iterative complexity reduction. IEEE Trans Fuzzy Syst 9(4):516–524
Rasmani KA, Shen Q (2004) Modifying weighted fuzzy subsethood-based rule models with fuzzy quantifiers. IEEE Int Conf Fuzzy Syst 3:1679–1684
Siler W, James J (2004) Fuzzy expert systems and fuzzy reasoning. Wiley, New York
Setnes M, Roubos H (2000) GA-fuzzy modeling and classification: complexity and performance. IEEE Trans Fuzzy Syst 8(5):509–522
Wang CH, Hong TP, Tseng SS (2000) Integrating membership functions and fuzzy rule sets from multiple knowledge sources. Fuzzy Sets Syst 112:141–154
Yue S, Tsang E, Yeung D, Shi D (2000) Mining fuzzy association rules with weighted items. In: The IEEE international conference on systems, man and cybernetics, pp 1906–1911
Zhang H, Liu D (2006) Fuzzy modeling and fuzzy control, Springer, Heidelberg