挖掘具组成及类别结构之模糊关联规则MiningFuzzyAssociation.PDFVIP

挖掘具組成及類別結構之模糊關聯規則 Mining Fuzzy Association Rules on Has-A and Is-A Hierarchical Structures 錢炳全 鍾明湟 王振仲 Been-Chian Chien Ming-Huang Zhong Jeng-Jung Wang 國立台南大學資訊工程系 義守大學資訊工程研究所 義守大學資訊工程系 bcchien@.tw m9203028@ .tw jjwang@ .tw 度 (Confidence)兩個參數來判斷。支持度為X UY項 摘要 目集合 (Itemset)在交易紀錄中出現的機率，信賴度 則是定義關聯規則的可信程度，也就是當 X 出現的 在關聯規則 (Association rule)的研究中，除了 條件下， Y也會出現的機率，當 sup(X UY的項目) 傳統的交易資料項目之研究外，尚有結合類別架 集大於或等於使用者所設定的最小支持度 構(Is-A hierarchy) 、組成架構(Has-A hierarchy) 、數 量型資料等相關研究的討論。然而，結合不同資料 (Minimum support) ，而且 conf (X →Y) 大於或等 型態與不同資料關係架構的研究，到目前為止尚未 於 使 用 者 所 設 定 的 最 小 信 賴 度 (Minimum 有相關文獻提出。因此本篇論文所探討的問題為結 confidence)時，則表示該關聯規則成立。舉例說明 合一般交易項目資料、交易數量，以及資料項目間 如下，若有一規則為 {Mother_board, CPU} → 具有類別架構與組成架構關係之關聯規則探勘。對 {RAM} ，其中sup = 30%且 conf = 60% ，則其意義 此問題，我們提出 RPFApriori演算法以兩個階段解 表示可能在某一間電腦量販店的交易資料庫中，會 決，首先以 IsA-Reduce演算法簡化組成與類別架構 有 30%的顧客會同時購買 Mother_board 、CPU 和 之間複雜的關係為組成架構關係，然後再以數量型 RAM ，而且在購買Mother_board和 CPU的顧客中 交易資料以及組成架構資料關係的 PFApriori 演算 有 60%亦會購買RAM 。 法探勘高頻項目集。最後規劃實驗來觀察演算法的 關聯規則的概念早期是由 Agrawal 等人於1993 效率。 年所提出[1] ，由最基本的交易資料(Transaction data) 之探勘，進一步擴展到不同的交易資料型態及資料 關鍵字：資料探勘、關聯規則、類別架構、組成架 間具有階層架構關係，交易資料的型態可區分為項 構、模糊熵 目型交易資料 (Itemized data)與數量型(Quantitative data)的交易資料，所謂項目型交易資料只有包含交 易項目名稱 (Items) ，例如：