Étude Sur L'algorithme Erminer Pour L'extraction Des Règles Séquentielles

Résumé: La découverte des modèles séquentiels intéressants dans les ordres est un problème fondamental dans l'exploitation de données. On a proposé beaucoup d'études pour les bases de données intéressantes d’extraction de modèles dans l'ordre. L'exploitation séquentielle de modèle est probablement le domaine de recherche de les plus populaires parmi elles. Elle se compose trouver des subséquences apparaître fréquemment dans un ensemble d'ordres. Cependant, savoir qu'un ordre apparaît n'est pas fréquemment suffisant pour faire des prévisions. Une alternative qui aborde le problème de la prévision est exploitation séquentielle de règle. Une règle séquentielle indique que si quelques articles se produisent dans un ordre, quelques autres articles sont susceptibles de se produire après avec une confiance ou une probabilité donnée. On a proposé deux types principaux de règles séquentielles. Le premier type est règles où l'antécédent et le conséquent sont les modèles séquentiels. Le deuxième type est des règles entre deux ensembles non commandés d'articles. En ce document nous considérons le deuxième type parce qu'il est plus général et on lui a montré pour fournir une exactitude considérablement plus élevée de prévision pour la prévision d'ordre dans quelques domaines. D'ailleurs, une autre raison est que le deuxième type a été employé dans beaucoup de vraies applications telles que l'apprentissage en ligne, la simulation de fabrication, le contrôle de qualité, préextraction de page Web, la détection d'anti-modèle en service les systèmes basés, les systèmes inclus, l'analyse d'ordre d'alarme et la recommandation de restaurant. On a proposé plusieurs algorithmes pour le mien de ce type de règles séquentielles. CMDeo est un algorithme basé sur Apriori qui explore l'espace de recherche des règles utilisant une recherche en largeur. Un inconvénient important de CMDeo est qu'il peut produire d'une énorme quantité de candidats. Comme alternative, on a proposé l'algorithme de CMRules. Il se fonde sur la propriété que toutes les règles séquentielles doivent également être une règle d'association pour tailler l'espace de recherche des règles séquentielles. Il s'est avéré beaucoup plus rapide que CMDeo pour des ensembles de données clairsemés. Récemment, on a proposé l'algorithme de RuleGrowth. Il se fonde sur une approche de modèle-croissance pour éviter la génération de candidat. Il s'est avéré plus qu'un ordre de grandeur plus rapidement que CMDeo et CMRules. Cependant, pour des ensembles de données contenant des ordres denses ou longs, la représentation des deterioates de RuleGrowth rapidement parce qu'elle doit à plusieurs reprises effectuer des opérations coûteuses 2 de projection de base de données. Puisque l'extraction des règles séquentielles reste très informatique une tâche chère d'exploitation de données, une question importante de recherches est : « Pourrions-nous concevons des algorithmes plus rapides ? » En ce document, nous abordons cette question en proposant l'ERMiner Il se fonde sur une représentation verticale de la base de données pour éviter d'exécuter la projection de base de données et l'idée nouvelle d’explorer l'espace de recherche des règles utilisant les classes d'équivalence de règles ayant le même antécédent ou conséquent. En outre, il inclut une structure de données SCM (Sparse Count Matrix) nommé (compte clairsemé Matrix) pour tailler l'espace de recherche. Le reste du papier est organisé comme suit. La section 2 définit le problème de l'exploitation séquentielle de règle et présente des définitions et des propriétés importantes. La section 3 décrit l'algorithme d'ERMiner. La section 4 présente l'expérimental étude. En conclusion, la section 5 présente la conclusion

Publié dans la revue: