Data Mining von Sequenzdaten - Fachgebiet Datenbanken und ...

Weitere Magazine

Empfehlungen

Info

3 ALGORITHMEN 24 3-Muster 2-Präfix 2-Suffix 4-Kandidaten 4-Muster nach Join nach Pruning aba ab ba a(bc)a a(bc)a a(bc)a abc ab bc adcb (ab)dc (ab)dc a(bc) ab (bc) (ab)dc eabc eacb aca ac ca bdcb eacb efcb acb ac cb eaba efbc acc ac cc eabc efcb adc ad dc ea(bc) (ab)c (ab) bc eaca (ab)d (ab) bd eacb (ab)f (ab) bf eacc bdc bd dc efbc (bc)a (bc) ca efcb dcb dc cb eab ea ab eac ea ac ebc eb bc ecb ec cb efb ef fb efc ef fc fbc fb bc fcb fc cb Tabelle 10: L 3 −→ C 4 −→ L 4 4-Muster 3-Präfix 3-Suffix 5-Kandidaten 5-Muster nach Join nach Pruning a(bc)a a(bc) (bc)a ∅ (ab)dc (ab)d bdc eacb eac acb efcb efc fcb Tabelle 11: L 4 −→ C 5
3 ALGORITHMEN 25 3.1.2 Der PrefixSpan-Algorithmus PrefixSpan [PH01] ist ein effizienter auf Tiefensuche basierter Algorithmus für die Suche nach sequentiellen Mustern in einer Sequenzdatenbank. Ein wesentlicher Unterschied zum GSP-Algorithmus ist, dass PrefixSpan keine Kandidatengenerierung benötigt. Ausgehend von einem gefundenen Muster erweitert PrefixSpan dieses Muster immer weiter um häufige Items bis das Muster nicht in der Sequenzdatenbank vorkommt. Man spricht deshalb auch von einem ” Pattern-growth“-Algorithmus. Dabei benutzt PrefixSpan die Konzepte Präfix und Suffix. Es wird im Folgenden vorausgesetzt, dass die Items innerhalb eines Elementes nach einer einheitlichen Ordnung sortiert sind. Hier soll die alphabetische Ordnung gewählt werden, da in den Beispielen die Items als Buchstaben gekennzeichnet sind. Definition 3.3 (Präfix). Für eine gegebene Sequenz α = e 1 e 2 · · · e n , wobei jedes e i (1 ≤ i ≤ n) ein Element ist, wird eine Sequenz β = e ′ 1e ′ 2 · · · e ′ m(m ≤ n) als Präfix von α bezeichnet, wenn folgendes gilt: (1) e ′ i = e i für i ≤ m − 1; (2) e ′ m ⊆ e m ; und (3) alle Items in (e m − e ′ m) alphabetisch hinter den Items in e ′ m liegen. Beispiel 3.4. Sei die Sequenz s = a(abc)(ac)d(cf) gegeben. Dann ist die Sequenz s ′ = a(ab) ein Präfix von s, da s ′ die folgenden drei Bedingungen erfüllen: (1) a = a, (2) (ab) ⊆ (abc) und (3) Item c ist alphabetisch hinter Item a und b geordnet. Definition 3.5 (Suffix). Betrachtet wird eine Sequenz α = e 1 e 2 · · · e n , wobei jedes e i (1 ≤ i ≤ n) ein Element ist. Sei β = e ′ 1e ′ 2 · · · e ′ m−1e ′ m(m ≤ n) eine Teilsequenz von α. Dann ist eine Sequenz γ = e ′′ l e l+1 · · · e n ein Suffix von α bezüglich β, gekennzeichnet als γ = α/β, wenn folgendes gilt: 1. l = i m , so dass 1 ≤ i 1 < · · · und i m minimiert ist. Mit anderen Worten: e 1 · · · e l ist das kürzeste Präfix von α, das e ′ 1e ′ 2 · · · e ′ m−1e ′ m als Teilsequenz beinhaltet; und 2. e ′′ l ist eine Menge von Items in e l − e ′ m, die alphabetisch hinter alle Items in e ′ m liegen. Ist e ′′ l nicht leer, wird das Suffix als ( items in e ′′ l )e l+1 · · · e n gekennzeichnet. Wenn β keine Teilsequenz von α ist, ist das Suffix von α bezüglich β leer. Beispiel 3.6. Sei die Sequenz s = a(abc)(ac)d(cf) und die Sequenz s ′ = ab mit s ′ ⊑ s gegeben. Dann ist die Sequenz s ′′ = ( c)(ac)d(cf) das Suffix von s bezüglich s ′ , da die folgenden zwei Bedingungen erfüllt werden: (1)s p = a(abc) ist das Präfix von s mit der minimalen Anzahl an Elementen, so dass gilt: s ′ ⊑ s p und (2) Item c ist alphabetisch hinter Item a und b geordnet. Auf Basis des Konzepts von Präfix und Suffix wird das Problem der Suche nach sequentiellen Mustern wie folgt aufgeteilt:
Seite 1: Data Mining von Sequenzdaten Diplom
Seite 4 und 5: IV Zusammenfassung Das Forschungsfe
Seite 6 und 7: INHALTSVERZEICHNIS VI 5.1 PrefixSpa
Seite 8 und 9: 1 EINLEITUNG 2 Ein anderes wichtige
Seite 10 und 11: 1 EINLEITUNG 4 〈32100, 05/08, {
Seite 12 und 13: 1 EINLEITUNG 6 Dabei sollen die Dat
Seite 14 und 15: 2 GRUNDLAGEN 8 tern. Mit Hilfe des
Seite 16 und 17: 2 GRUNDLAGEN 10 ist, und d ein Prod
Seite 18 und 19: 2 GRUNDLAGEN 12 Beispiel 2.9. Gegeb
Seite 20 und 21: 2 GRUNDLAGEN 14 Abbildung 5: Darste
Seite 22 und 23: 2 GRUNDLAGEN 16 Zum Beispiel ist di
Seite 24 und 25: 2 GRUNDLAGEN 18 Wie schon im Anfang
Seite 26 und 27: 3 ALGORITHMEN 20 3 Algorithmen In d
Seite 28 und 29: 3 ALGORITHMEN 22 Um zu zeigen, dass
Seite 32 und 33: 3 ALGORITHMEN 26 1. Sei {x 1 , x 2
Seite 34 und 35: 3 ALGORITHMEN 28 Präfix projiziert
Seite 36 und 37: 3 ALGORITHMEN 30 dabei unterschiedl
Seite 38 und 39: 3 ALGORITHMEN 32 Abbildung 14: gesc
Seite 40 und 41: 3 ALGORITHMEN 34 nach häufigen, ge
Seite 42 und 43: 3 ALGORITHMEN 36 Eingabe: Sequenzda
Seite 44 und 45: 3 ALGORITHMEN 38 ist. Deshalb brauc
Seite 46 und 47: 3 ALGORITHMEN 40 th). Auch wird bei
Seite 48 und 49: 3 ALGORITHMEN 42 Respektive erhält
Seite 50 und 51: 4 DURCHFÜHRUNG DES DATA MININGS 44
Seite 58 und 59: 5 IMPLEMENTIERUNG 52 5 Implementier
Seite 60 und 61: 5 IMPLEMENTIERUNG 54 Abbildung 25:
Seite 62 und 63: 5 IMPLEMENTIERUNG 56 Methodenübers
Seite 64 und 65: 5 IMPLEMENTIERUNG 58 • boolean: i
Seite 70 und 71: 5 IMPLEMENTIERUNG 64 Berechnet den
Seite 74 und 75: 5 IMPLEMENTIERUNG 68 den MinSupport
Seite 76 und 77: 5 IMPLEMENTIERUNG 70 Auch lassen si
Seite 78 und 79: 5 IMPLEMENTIERUNG 72 Auswahlparamet
Seite 80 und 81:
5 IMPLEMENTIERUNG 74 (a) Kontextdia
Seite 82 und 83:
5 IMPLEMENTIERUNG 76 Im Folgenden s
Seite 84 und 85:
6 ERGEBNISSE 78 6 Ergebnisse In die
Seite 86 und 87:
6 ERGEBNISSE 80 (a) maximale sequen
Seite 88 und 89:
6 ERGEBNISSE 82 Im Folgenden sollen
Seite 90 und 91:
Seite 92 und 93:
6 ERGEBNISSE 86 jekt Technische Inf
Seite 94 und 95:
Seite 96 und 97:
6 ERGEBNISSE 90 dienverläufen. Es
Seite 98 und 99:
Seite 100 und 101:
6 ERGEBNISSE 94 Informationssysteme
Seite 102 und 103:
6 ERGEBNISSE 96 Elektrotechnische G
Seite 104 und 105:
7 SCHLUSS 98 7.2 Ausblick In dieser
Seite 106 und 107:
8 ANHANG 100 8.2 Beispiel für die
Seite 108 und 109:
8 ANHANG 102 8.4 Regelstudienplan d
Seite 110 und 111:
LITERATUR 104 Literatur [AG02] [AS9
Seite 112:
Erklärung Hiermit versichere ich,
Alle anzeigen

Data Mining von Sequenzdaten - Fachgebiet Datenbanken und ...

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

Template löschen?

Als Template speichern?