Assoziationsanalyse und Konzeptbeschreibung - Diko-project.de

Weitere Magazine

Empfehlungen

Info

Ein modernes, im Internet präsentes Versandhaus analysiert seine Verkaufsdaten und macht die Feststellung, daß sich die Kunden zwei verschiedene Gruppen aufteilen lassen. Die Mitglieder der Gruppe ” Junger, gutverdienender, stadtbewohnender Karrierist“ weisen ein anderes Kaufverhalten auf als die Kunden, die der Gruppe ” Alleinerziehende Sozialhilfeempfänger“ angehören. Da die Mitglieder der ersten Gruppe den größeren Beitrag zum Umsatz des Unternehmens leisten, wird das Angebot den Wünschen dieser Kunden angepasst. Ein Supermarkt verwendet die Barcode-Lesegeräte an den Kassen dazu, die Daten der einzelnen Einkäufe zu sammeln. Diese Daten werden an eine Datenbank übermittelt und dort gespeichert. Mittels KDD können Erkenntnisse darüber gewonnen werden, welche Waren häufig zusammen gekauft werden. Eine entsprechende Anordnung dieser Waren in den Regalen kann dann dazu führen, daß aufgrund zufriedener Kundschaft die Verkaufszahlen steigen. Diese recht trivialen Beispiele machen den allgemeinen Nutzen von KDD deutlich. In dieser Arbeit soll zunächst der KDD-Prozess im Allgemeinen kurz vorgestellt werden, um anschließend näher auf zwei spezielle Methoden einzugehen, die Assoziationsanalyse und die Konzeptbeschreibung. Die Assoziationsanalyse wird anhand von Grundlagen und Beispielen eingeführt. Im Anschluß wird mit dem Apriori-Algorithmus ein grundliegender Algorithmus für das Finden von Assoziationsregeln erläutert. Das Kapitel Assoziationsanalyse schließt mit der Vorstellung mehrerer komplexerer Assoziationsregeln ab, die für anspruchsvollere Aufgaben entwickelt wurden. Mit der Konzeptbeschreibung wird eine Methode für die Ermittlung einer zusammengefaßten Sicht auf Datenmengen vorgestellt. Die Konzeptbeschreibung ist in zwei Komponenten gegliedert: die Charakterisierung von Klassen und dem Klassenvergleich. Die Funktionsweise dieser beiden Bereiche sowie auf den ihnen zugrundeliegenden Algorithmus der attributorientierten Induktion wird im Rahmen dieser Arbeit genauer betrachtet werden. 2 Knowledge Discovery in Databases KDD befasst sich mit der automatischen Generierung und Prüfung von Methoden und Hypothesen zur Beschreibung von in einem Datenbestand vorhandenen Regelmässigkeiten. Es ist zwar keine allgemein anwendbare und sicher zum Erfolg führende Methode bekannt, mit der Wissen aus Datenbanken gewonnen werden kann, aber es existieren viele Techniken, die auf viele praktische Probleme anwendbar sind und zu zufriedenstellenden Ergebnissen führen [bor]. KDD ist das Forschungsgebiet, daß sich mit der Entwicklung und Untersuchung dieser Methoden befasst. Die Anwendung dieser Techniken erfolgt im sogenannten KDD-Prozess. Dieser wird von Fayyad, Piatetsky-Shapiro & Smyth folgendermaßen definiert [FPSS96]: KDD Process is the process of using the database along with any required selection, preprocessing subsampling, and transformations of it; to apply data mining methods (algorithms) to enumerate patterns from it; and to evaluate the products of data mining to identify the subset of the enumerated patterns deemed ” knowledge“. 2
Der KDD-Prozess ist also ein iterativer (und interaktiver) Vorgang, in dessen Verlauf auf Daten einer Datenbank zugegriffen wird, diese Daten mehrere Phasen der Bearbeitung durchlaufen und schliesslich ein Ergebnis (neues Wissen) präsentiert wird. Nach diesem Verständnis besteht der KDD-Prozeß aus folgenden Schritten: 1. Die Datenbereinigung sortiert fehlerhafte, abweichende, unvollständige und irrelevante Daten aus. 2. Die Datenintegration vereinigt mehrere Datenquellen zu einer einzigen. 3. Die Datenselektion wählt die für den KDD-Prozeß relevanten Daten aus. 4. Durch Datentransformation werden die Daten in ein für Data Mining geeignetes Format gebracht. 5. Data Mining ist schließlich der essentielle Part des KDD-Prozesses, in dem intelligente Algorithmen die Daten nach Mustern durchsuchen. 6. In der Musterevaluierung werden uninteressante Muster aussortiert. 7. Die Wissensrepräsentation macht dem Benutzer das neue Wissen in einer verständlichen Form zugänglich. Die ersten 4 Phasen des Prozessen lassen sich durch Interaktion mit dem Benutzer des Data-Mining-Tools bewältigen. Die Phasen Musterevaluierung und Wissensrepräsentation werden auch häufig dem Data Mining zugerechnet. Data Mining ist der zentrale Schritt des KDD-Prozesses, bestehend aus der Anwendung von Algorithmen zur Datenanalyse und Entdeckung von Strukturen, die neues Wissen enthalten. Die Auswahl der zu verwendenden Entdeckungstechniken hängt von dem gewünschten Ergebnis ab. Der Benutzer eines Data-Mining-Tools legt die Art der gewünschten Ergebnisse fest, prüft und bewertet sie und läßt gegebenenfalls die Anwendung der Data Mining Verfahren des KDD-Prozesses erneut durchlaufen. Spätestens hier wird deutlich, daß KDD kein völlig automatisierter sondern ein interaktiver Prozeß ist. Mit der Zeit haben sich verschiedene Aufgaben des Data Mining herauskristallisiert, die anhand von Beispielen aus dem Handel verdeutlicht werden; Klassifikation (classification) Ist dieser Kunde kreditwürdig? Konzeptbeschreibung (concept description) Was unterscheidet reparaturanfällige Fahrzeuge von anderen? Segmentierung (segmentation, clustering) Was für Kundengruppen habe ich? Prognose (prediction, trend analysis) Wie wird sich der Dollarkurs entwickeln? 3
Seite 1: Assoziationsanalyse und Konzeptbesc
Seite 5 und 6: wie: ” Wie ordne ich meine Waren
Seite 7 und 8: Die Konfidenz einer Regel gibt für
Seite 9 und 10: CT := Subset(Ck,t); // alle Kandida
Seite 11 und 12: schränktem Ausmaß liefern. Der Gr
Seite 13 und 14: liche Formulierungen wie ” ziemli
Seite 15 und 16: 4 Konzeptbeschreibung und Generalis
Seite 17 und 18: Beispielanwendung: Gegeben sei eine
Seite 19 und 20: einen niedrigen Abstraktionsgrad, w
Seite 21 und 22: 1. name: Es gibt eine große Auswah
Seite 23 und 24: Quelle Geschlecht Alter Bundesland
Seite 25 und 26: werden, wurde nur der grundlegendst
Seite 27 und 28: Index Apriori, 7 Apriori¿Join, 9 A
Seite 29: [HHC99] Robert J. Hilderman, Howard

Assoziationsanalyse und Konzeptbeschreibung - Diko-project.de

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?