Riduzione della dimensionalità per l'estrazione di regole di associazione

I valori utilizzati come riferimento per l'estrazione delle regole di associazione sono il valore di supporto e il valore di confidenza. Più alti sono i valori di supporto e di confidenza, migliori sono le regole risultanti. Gli algoritmi di estrazione di regole di associazione applicano l'apprendimento non supervisionato, in quanto la regola risultante non è determinata da una determinata classe. Le prestazioni degli algoritmi di estrazione delle regole di associazione dipendono fortemente dalle dimensioni del set di dati utilizzato. Le prestazioni possono essere misurate dal momento in cui viene generata l'elaborazione. Quanto più grande è il dataset, le dimensioni saranno maggiori e il tempo di elaborazione sarà più lungo. Se la dimensionalità del dataset può essere ridotta, il tempo di elaborazione sarà più veloce e le prestazioni saranno migliori, con valori di confidenza relativamente invariati. L'intersezione è un tipo di teoria degli insiemi che può ridurre il numero di attributi su insiemi correlati. Oracle è uno degli RDBMS, gli insiemi correlati possono essere applicati agli RDBMS Oracle come tabelle correlate. L'algoritmo IST-EFP è un algoritmo proposto che combina l'EFP (Expand FP-Growth) con la teoria degli insiemi. In questo studio, l'algoritmo IST-EFP è in grado di ridurre la dimensione del set di dati all'87,5% con un miglioramento del 26,6% sul tempo di elaborazione.