Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
Events
DE
EN
Books
Journals
Topic Page
Marketing
Start single access now
Access for companies
EXTENDED SEARCH
Log in
Top
Published in:
Data Science: Vom Begriff zur Anwendung Read chapter Read first chapter

2021 | OriginalPaper | Chapter

12. Identifikation relevanter Zusammenhänge in Daten mit maschinellem Lernen

Authors : Joshua Hammesfahr, Martin Spott

Published in: Data Science anwenden

Publisher: Springer Fachmedien Wiesbaden

Log in

Activate our intelligent search to find suitable subject content or patents.

search-config
loading …

Zusammenfassung

Im produzierenden Gewerbe wie der Autoindustrie und in Dienstleistungsunternehmen mit großer Infrastruktur, z. B. im Bereich der Telekommunikation, muss die Anzahl von Fehlern in den Produkten so klein wie möglich gehalten werden, um Kunden nicht zu verärgern und Kosten für Wartung und Reparatur zu minimieren. Maschinelle Lernmodelle wie Subgroup Discovery und Assoziationsregeln ermöglichen es, Zusammenhänge zwischen Produktkonfigurationen und Fehlern zu finden. Allerdings sind die Ergebnisse typischerweise zu umfangreich, um sie in Ansätze für die Fehlerreduktion umsetzen zu können. Dieses Kapitel stellt eine neue Systematik vor, anhand derer die Anzahl der gefundenen Zusammenhänge drastisch reduziert werden kann, ohne wesentliche Informationen zu verlieren.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

inform now
previous chapter Text Mining bei einer wissenschaftlichen Literaturauswertung: Extraktion von Schlüsselwörtern zur Beschreibung von Inhalten
next chapter Framework für das Management und die Analyse von Fahrzeugdaten für die modellbasierte Fahrerassistenzsystementwicklung in Lehre und Forschung
Literature
1.
Fürnkranz J, Kliegr T (2015) A brief overview of rule learning. In: Bassiliades N, Gottlob G, Sadri F, Paschke A, Roman D (Eds) Rule technologies: foundations, tools, and applications. Proceedings of the 9th International Symposium (RuleML-15), Springer, Berlin, S 54–69
2.
Agrawal R, Imielinski T, Swami A (1993) Mining association rules between sets of items in large databases. In: Proceedings of the 1993 ACM SIGMOD international conference on Management of data (SIGMOD '93). Association for Computing Machinery, New York, S 207–216
3.
Han J, Cheng H, Xin D, Yan X (2006) Frequent pattern mining: current status and future directions. Data Min Knowl Disc 15:55–86MathSciNetCrossRef
4.
Yun U, Leggett J (2005) WLPMiner: Weighted frequent pattern mining with length-decreasing support constraints. In: Ho TuB, Cheung D, Liu H (Hrsg) Advances in knowledge discovery and data mining (PAKDD 2005). Springer, Berlin, S 555–567CrossRef
5.
Liu B, Hsu W, Ma Y (1999) Mining association rules with multiple minimum supports. In: Proceedings of the Fifth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '99), Association for Computing Machinery, New York, S 337–341
6.
Bayardo R J, Agrawal R, Gunopulos D (1999) Constraint-based rule mining in large, dense databases. In: Proceedings 15th International Conference on Data Engineering (Cat. No.99CB36337), Sydney, S 188–197
7.
Pasquier N, Bastide Y, Taouil R, Lakhal L (1999) Discovering Frequent Closed Itemsets for Association Rules. In: Proceedings of the 7th International Conference on Database Theory (ICDT '99), Springer, Berlin, S 398–416
8.
Pei J, Dong G, Zou W, Han J (2004) Mining condensed frequent-pattern bases. Knowledge Information Systems 6:570–594CrossRef
9.
Calders T, Goethals B (2002) Mining all non-derivable frequent itemsets. In: Elomaa T, Mannila H, Toivonen H (Hrsg) Principles of data mining and knowledge discovery. Springer, Berlin, S 74–86CrossRef
10.
Muhonen J, Toivonen H (2006) Closed non-derivable itemsets. In: Fürnkranz J, Scheffer T, Spiliopoulou M (Hrsg) Knowledge discovery in databases (PKDD 2006). Springer, Berlin, S 601–608CrossRef
11.
Wrobel S (1997) An Algorithm for Multi-Relational Discovery of Subgroups. In: Proceedings of the First European Symposium on Principles of Data Mining and Knowledge Discovery (PKDD '97), Springer, Berlin, S 78–87
12.
Atzmueller M (2015) Subgroup Discovery – Advanced Review.  WIREs: Data Mining and Knowledge Discovery 5(1):35–49
13.
Herrera F, Carmona CJ, Gonzalez P, Del Jesus MJ (2011) An overview on subgroup discovery: foundations and applications. Knowl Inf Syst 29:495–525CrossRef
14.
Atzmueller M, Lemmerich F (2009) Fast subgroup discovery for continuous target concepts. In: Rauch J, Raś ZW, Berka P, Elomaa T (Hrsg) Foundations of intelligent systems. Springer, Berlin, S 35–44CrossRef
15.
Zhang T (2000) Association rules. In: Terano T, Liu H, Chen A L P (Editors) Knowledge discovery and data mining. Current issues and new applications. Springer, Berlin, S 245–256
16.
17.
Kavsek B, Lavrac N (2006) APRIORI-SD: Adapting Association Rule Learning to Subgroup Discovery. Applied Artificial Intelligence 20(7):543–583
18.
Hammesfahr J (2020) Subspace Exploration: Identifikation relevanter Zusammenhänge in Suchräumen. Master-Thesis. Hochschule für Technik und Wirtschaft Berlin, Berlin
19.
Lavrac N, Cestnik B, Gamberger D, Flach P (2004) Decision support through subgroup discovery: three case studies and the lessons learned: Special Issue: Data Mining Lessons Learned. Machine Learning 57, S 115–143
Metadata
Title
Identifikation relevanter Zusammenhänge in Daten mit maschinellem Lernen
Authors
Joshua Hammesfahr
Martin Spott
Copyright Year
2021
Book
Data Science anwenden

Print ISBN: 978-3-658-33812-1

Electronic ISBN: 978-3-658-33813-8

Copyright Year: 2021

DOI
https://doi.org/10.1007/978-3-658-33813-8_12