Reducción de Redundancia en Reglas de Asociación

• Julio Diaz Vera ^[2] ; Carlos Molina Fernández ^[1] ; María- Amparo Vila Miranda ^[1]
  1. [1] Universidad de Jaén

     Universidad de Jaén

     Jaén, España

     
  2. [2] Universidad de la Ciencias Informáticas
• Localización: Revista Cubana de Ciencias Informáticas, ISSN-e 2227-1899, Vol. 10, Nº. 1, 2016
• Idioma: español
• Títulos paralelos:
  • Redundancy Reduction in Association Rules
• Enlaces
  • Texto completo
• Resumen
  • español

    El minado de reglas de asociación es uno de los campos más estudiados y aplicados en minería de datos. Los modelos descubiertos usualmente contienen un número de reglas demasiado grande. Esto reduce la capacidad de los especialistas para utilizar los mismos con vista a la toma de decisiones. Esta deficiencia se acentúa cuando hay presente reglas redundantes dentro del modelo. En este trabajo se propone una definición de redundancia que tiene en cuenta el conocimiento previo de los usuarios con respecto al dominio. Se desarrolla un método, en la etapa de post-procesamiento, para reducir la redundancia de los modelos de reglas de asociación. La propuesta permite encontrar modelos más compactos que facilitan su utilización en el proceso de toma de decisiones. Los experimentos realizados han mostrado niveles de reducción cercanos al 90% del modelo. Las reglas consideradas como conocimiento previo no superan el 10% de las presentes en el modelo original. El método desarrollado facilita la utilización de las reglas de asociación en la toma de decisiones y por tanto aumenta la eficiencia de la minería de reglas de asociación.

  • English

    Association Rules Mining is one of the most studied and widely applied fields in Data Mining. However, the Discovery models usually result in a very large sets of rules; so the analysis capability, from a user point of view, are dismissing. It is difficult to use the found model in order to help the decision-making process. The previous handicap is accentuated in presence of redundant rules in the final set. In this work a new definition of redundancy in association rules is proposed, based in user’s prior knowledge. A post-processing method to eliminate this kind of redundancy, using association rules known by user is developed. Our proposal allows to find more compact models of association rules to facilitate its use in the decision-making process. The developed experiments have shown reduction levels that exceed 90% of all generated rules, using prior knowledge always below 10%. So our method improves the efficiency of association rules mining and the utilization of discovered association rules.

• Referencias bibliográficas
  • BALCÁZAR, JOSÉ L. (2010). Redundancy, Deduction Schemes, and Minimum-Size Bases for Association Rules.. 6.
  • BARALIS,ELENA,CAGLIERO, LUCA,CERQUITELLI, TANIA,GARZA, PAOLO. (2012). Generalized Association Rule Mining with Constraints. 68-84
  • BASTIDE, Y,PASQUIER, N,TAOUIL, R,STUMME, G,LAKHAL. (2000). Mining Minimal Non-Redundant Association Rules Using Frequent Closed Itemsets.
  • BERRADO,ABDELAZIZ,GEORGE, C. (2007). RUNGER Using Metarules to Organize and Group Discovered Association Rules.. 14.
  • BLAKE, C.L,MERZ, C.J. (2007). UCI Repository of Machine Learning Databases.. University of California. Irvine.
  • CHEN,XIAO-MEI,CHANG-YING, WANG,HAN, CAO. (2014). Association Rules Mining Based on Minimal Generator of Frequent Closed Itemset.
  • CHERIF,CHIRAZ LATIRI, W,BELLEGUA, S,YAHIA, BEN,GHADA, GUESMI. (2005). VIE_MGB:: A Visual Interactive Exploration of Minimal Generic Basis...
  • DIMITRIJEVIC,MAJA,BOSNJAK, ZITA. (2014). Pruning Statistically Insignificant Association Rules in the Presence of High-Confidence Rules in...
  • DJENOURI, Y,GHERAIBIA, Y,MEHDI, M,BENDJOUDI, A,NOUALI-TABOUDJEMAT, N. (2014). An Efficient Measure for Evaluating Association Rules..
  • GASMI,GH,BEN YAHIA, S,MEPHU NGUIFO, E,SLIMANI, YAHYA. A New Informative Generic Base of Association Rules..
  • Hui,Wang. (2013). Ming Non-Redundant Associations From the Frequent Concept Sets on FP-Tree.. 11. 3604-3610
  • KAOUNGKU, N,KERDPRASOP, K,KERDPRASOP, N. (2014). A Technique for Association Rule Mining in Multiple Datasets..
  • KRYSZKIEWICZ, MARZENA. Dependence Factor for Association Rules.
  • LERMAN, ISRAËL CÉSAR,SYLVIE, GUILLAUME. (2013). Comparing Two Discriminant Probabilistic Interestingness Measures for Association Rules.
  • LIU, HUAWEN,LIU, LEI,ZHANG, HUIJIE. (2011). A Fast Pruning Redundant Rule Method Using Galois Connection. 11. 130-137
  • MAIER, DAVID. (1983). The Theory of Relational Databases.
  • NÚÑEZ, J.F. Empleo de Fuzzy OLAP Para Obtener Reglas Que Caractericen Estrategias de Inversión.
  • PASQUIER, N,RAFIK, T,BASTIDE, Y,STUMME, G,LAKHAL, L. (2005). Generating a Condensed Representation for Association Rules. 24. 29-60
  • PRAKASH, R,VIJAYA, A,GOVARDHAN, SSVN SARMA. (2013). Discovering Non-Redundant Association Rules Using MinMax Approximation Rules. 3.
  • SAHOO, J,ASHOK KUMAR, DAS,GOSWAMI, A. (2014). An Effective Association Rule Mining Scheme Using a New Generic Basis.. 43. 127-156
  • SINGH,ARCHANA,JYOTI, AGARWAL,RANA, AJAY. (2013). Performance Measure of Similis and FP-Growth Algorithm.. 62. 25-31
  • Toivonen, H,Klemettinen, M,Ronkainen, Kimmo Hätönen. (1995). Pruning and Grouping Discovered Association Rules.
  • WATANABE, TOSHIHIKO. (2010). An Improvement of Fuzzy Association Rules Mining Algorithm Based on Redundacy of Rules..
  • XU, YUE,YUEFENG, LI,SHAW, GAVIN. (2011). Reliable Representations for Association Rules. 70.
  • ZAKI, MOHAMMED J. (2004). Mining Non-Redundant Association Rules. 9.