Temporale Aspekte des Data Mining - diko-project.de

Ein Muster ist dann ein Tupel in R mit der Form 〈d n , d n−1 , . . . , d 1 〉. Haben wirein kalendarisches Schema bestehend aus Woche, Tag und Stunde würde das Tupel〈1, 1, 10〉 für die Stunde 10 am ersten Tag in der ersten Woche stehen. Darüberhinaus gibt es die Möglichkeit Wildcards zu verwenden. Wildcards sind Platzhalter,die für jeden beliebigen, aber zulässigen Wert stehen. Ein Wildcard wird miteinem Stern ”∗“ gekennzeichnet. Das Tupel 〈1, ∗, 10〉 steht dann also für die Stunde10 an jedem Tag in der ersten Woche. Eine temporale Assoziationsregel hat nundie Form (r, e) mit r als Assoziationsregel und e als kalendarischem Muster. Habenwir nun ein Kalender-Schema mit 〈Jahr, Monat, Donnerstag〉 könnten wir bei derAnalyse von Transaktionen im amerikanischen Supermarkt folgende Regel aufstellen:(T ruthahn ↦→ Kürbiskuchen, 〈∗, 11, 4〉). Diese Regel besagt schließlich, dass injedem Jahr am vierten Donnerstag im November mit nach jedem Truthahn auchein Kürbiskuchen gekauft wird. Die Amerikaner feiern nämlich an jedem viertenDonnerstag im November ihr alljährliches Thanksgiving. Mit dieser Aussage wurdedas ”Precise Match“-Verfahren angewandt, dass nur 100% gültige Regeln ermittelt.Eine Erweiterung ist das Fuzzy-Match-Verfahren. Dieses Verfahren findet Regeln,die mindestens einen bestimmten Prozentsatz an Gültigkeit aufweisen. Die ”MatchRatio“ m legt fest wie genau die Regeln sein müssen. Für m wird ein Wert mit(0 < m < 1) gewählt. Mit diesem Verfahren könnte dann die selbe Regel mit einemneuen kalendarischen Muster e = 〈∗, 11, ∗〉 aufgestellt werden. Die Regel wäre dannan mindestens 100m% Tagen gültig.Der zur Ermittlung dieser Regeln verwendete Algorithmus ist ein Derivat des Apriori.Das Prinzip des Apriori wird weiter unten anhand des GSP-Algorithmus vorgestellt.Vorteil der kalendarischen Muster Ein Vorteil der Verwendung kalendarischerMuster ist, dass Zusammenhänge aufgestellt werden können, die ohne kalendarischeEinschränkungen nicht festgestellt würden. Ein Zusammenhang Ei ↦→ Kaffee istmit einer Unterstützung von 3% trotz hoher Konfidenz relativ unbedeutend. Fügtman eine zeitliche Dimension hinzu und beschränkt die Regel auf die Tageszeit 7-11 Uhr vormittags erhöht sich die Unterstützung auf 40% (außerhalb dieser Zeit0,005%). Die neu entstandene Regel ist bedeutend interessanter.4.4 Intervall-basierende EreignisseBei den bisherigen Mustern handelte es sich um Zusammenhänge zwischen einzelnenEreignissen (Transaktionen, etc.), die meist als Zeitpunkte begriffen wurden. Jetztsollen Ereignisse als Intervalle betrachtet werden [KF00]. Als Folge dessen lassensich dann neue Zusammenhänge aufzeigen, die zuvor nicht berücksichtigt wurde.Ein Beispiel ist folgendes: 75% der Kunden kaufen Erdnüsse, wenn Butter ins Sonderangebotkommt und bevor Brot ausverkauft ist.“”Es handelt sich hierbei um drei intervall-basierende Ereignisse Kunden kaufen”Erdnüsse“, Butter kommt ins Sonderangebot“ und bevor Brot ausverkauft ist“.” ”Es lassen sich hierbei verschiedene zeitliche Relationen aufstellen: Zwei Ereignissekönnen auf einander folgen (X vor Y), zur gleichen Zeit stattfinden (X gleich Y),an einander anschließen (X trifft Y), sich überschneiden (X überschneidet Y), ineinem weiteren Ereignis enthalten sein (X während Y), zeitgleich beginnen (X startetmit Y) und zeitgleich enden (X endet mit Y). Zu jeder dieser Relationen gibtes eine inverse Relation, z.B. (Y nach X). Die Grafik, siehe Abbildung 4, zeigt dieTaxonomy of temporal Relationships“ nach Allen [All83].”Es ist dort gut zu sehen, dass es insgesamt dreizehn mögliche Beziehungen zwischenzwei Intervallen X und Y gibt.Zur praktischen Verdeutlichung wird jetzt eine Datenbank mit medizinischen Datensätzenangenommen [KF00]. Dabei werden Personendaten und die aufgetretenen15