Dimensionalitätsreduktion für Association Rule Mining

Die Werte, die bei der Suche nach Assoziationsregeln als Referenz verwendet werden, sind der Unterstützungswert und der Konfidenzwert. Je höher der Unterstützungs- und der Konfidenzwert sind, desto besser sind die resultierenden Regeln. Algorithmen zur Ermittlung von Assoziationsregeln verwenden unüberwachtes Lernen, da die resultierende Regel nicht auf eine bestimmte Klasse festgelegt ist. Die Leistung von Algorithmen zur Ermittlung von Assoziationsregeln hängt stark von der Größe bzw. den Dimensionen des verwendeten Datensatzes ab. Die Leistung kann ab dem Zeitpunkt der Erstellung der Verarbeitung gemessen werden. Je größer der Datensatz ist, desto größer sind die Dimensionen und desto länger ist die Verarbeitungszeit. Wenn die Dimensionalität des Datensatzes reduziert werden kann, wird die Verarbeitungszeit kürzer und die Leistung besser, wobei die Konfidenzwerte relativ unverändert bleiben. Die Schnittmenge ist eine Art Mengenlehre, mit der die Anzahl der Attribute in verwandten Mengen reduziert werden kann. Oracle ist eines der RDBMS, verwandte Mengen können auf das Oracle RDBMS als verwandte Tabellen angewendet werden. Der IST-EFP-Algorithmus ist ein vorgeschlagener Algorithmus, der EFP (Expand FP-Growth) mit der Mengenlehre kombiniert. In dieser Studie kann der IST-EFP-Algorithmus die Dimension des Datensatzes auf 87,5 % reduzieren und die Verarbeitungszeit um 26,6 % verbessern.