Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Greedy Graph Edit Distance Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

MOGACAR: A Method for Filtering Interesting Classification Association Rules

verfasst von : Diana Benavides Prado

Erschienen in: Machine Learning and Data Mining in Pattern Recognition

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Knowledge Discovery process is intended to provide valid, novel, potentially useful and finally understandable patterns from data. An interesting research area concerns the identification and use of interestingness measures, in order to rank or filter results and provide what might be called better knowledge. For association rules mining, some research has been focused on how to filter itemsets and rules, in order to guide knowledge acquisition from the user’s point of view, as well as to improve efficiency of the process. In this paper, we explain MOGACAR, an approach for ranking and filtering association rules when there are multiple technical and business interestingness measures; MOGACAR uses a multi-objective optimization method based on genetic algorithm for classification association rules, with the intention to find the most interesting, and still valid, itemsets and rules.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

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!

Jetzt informieren

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!

Jetzt informieren

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!

Jetzt informieren
Vorheriges Kapitel Efficient Mining of High-Utility Sequential Rules
Nächstes Kapitel Classifying Grasslands and Cultivated Pastures in the Brazilian Cerrado Using Support Vector Machines, Multilayer Perceptrons and Autoencoders
Literatur
1.
Agrawal, R., Srikant, R.: Fast algorithms for mining association rules. In: 20th International Conference on Very Large Databases Proceedings, VLDB (1994)
2.
Benavides, D., Villamil, M.: KDBuss framework: knowledge discovery with association rules in the business context. In: MLDM-2013, New York, 22–25 July 2013
3.
Berry, M., Linoff, G.: Data Mining Techniques: For Marketing, Sales and Customer Relationship Management, 2nd edn. Wiley, Indianapolis (2004)
4.
Bouker, S., Saidi, R., Ben Yahia, S., Mephu Nguifo, E.: Ranking and selecting association rules based on dominance relationship. In: 2012 IEEE 24th International Conference on Tools with Artificial Intelligence (ICTAI) (2012)
5.
Cao, L., Yu, P., Zhang, C., Zhao, Y.: Domain Driven Data Mining, 1st edn. Springer, Sydney (2010)MATHCrossRef
6.
Chen, M.S., Yu, P.S., Liu, B.: Value added association rules. In: 6th Pacific-Asia Conference on Knowledge Discovery and Data Mining Proceedings PAKDD (2002)
7.
Cios, K., Pedrycz, W., Swiniarski, R., Kurgan, L.: Data Mining: A Knowledge Discovery Approach, 1st edn. Springer, New York (2007)
8.
Geng, L., Hamilton, H.: Interestingness measures for data mining: a survey. ACM Comput. Surv. 38(3), Article 9 (2006)
9.
10.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., Witten, I.: The WEKA data mining software: an update. SIGKDD Explor. 11(1), 10–18 (2009)CrossRef
11.
Liu, B., Hsu, W., Ma, Y.: Integrating classification and association rule mining. In: KDD-98, New York, 27–31 Aug 1998
12.
Marler, R.T., Arora, J.S.: Survey of multi-objective optimization methods for engineering. Struct. Mult. Optim. 26(6), 369–395 (2004)MATHMathSciNetCrossRef
13.
Piatetsky-Shapiro, G., Matheus, C.: The interestingness of deviations. In: AAAI-94 Workshop on Knowledge Discovery in Databases AAAI (1994)
14.
Ramaraj, E., Rameshkumar, K.: Ranking mined association rule: a new measure. Delving J. Technol. Eng. Sci. (JTES) 1(1), 57–61 (2009)
15.
Shen, Y., Yang, Q., Zhang, Z.: Objective-oriented utility-based association mining. In: 2002 International Conference on Data Mining Proceedings. IEEE (2002)
16.
Wang, K., Zhou, S., Han, J.: Profit mining: from patterns to actions. In: Jensen, C.S., Jeffery, K., Pokorný, J., Šaltenis, S., Bertino, E., Böhm, K., Jarke, M. (eds.) EDBT 2002. LNCS, vol. 2287, pp. 70–87. Springer, Heidelberg (2002)CrossRef
17.
Yang, G., Shimada, K., Mabu, S., Hirasawa, K.: A personalized association rule ranking method based on semantic similarity and evolutionary computation. In: 2008 IEEE Congress on Evolutionary Computation (CEC 2008)
18.
Zitzler, E., Laumanns, M., Thiele, L.: SPEA2: Improving the strength pareto evolutionary algorithm for multiobjective optimization. In: Evolutionary methods for design, optimization, and control with applications to industrial problems, EUROGEN2011 Conference, Athens, Greece, September 19-21, 2001
Metadaten
Titel
MOGACAR: A Method for Filtering Interesting Classification Association Rules
verfasst von
Diana Benavides Prado
Copyright-Jahr
2015
Buch
Machine Learning and Data Mining in Pattern Recognition

Print ISBN: 978-3-319-21023-0

Electronic ISBN: 978-3-319-21024-7

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-21024-7_12