Temporale Aspekte des Data Mining - diko-project.de

GSP-AlgorithmusF k = {häufige 1er-Seq.};for (k = 2; F k−1 ≠ 0; k = k + 1) doC k =Menge der Kandidaten der k-Seq.;for alle Kunden-Seq. S in der DB doErhöhe Zähler für alle α ∈ C k enthalten in SF k = {α ∈ C k |α.sup ≥ min sup};Menge aller häufigen Sequenzen = ∪ k F k ;Abbildung 6: GSP-Algorithmusdie initialen Parameter festzulegen. Wie schon bei der Klassifizierung ist es schwierig,Sequenzen mit einander zu vergleichen. Hier muss ein aussagekräftiger Maßstabgefunden werden, an Hand dessen Sequenzen als ähnlich bezeichnet werden können.COBWEBEin Ansatz des Clustering von temporalen Daten ist die Verwendung einer hierarchischenClustering-Methode. Der entsprechende Algorithmus nennt sich COBWEB[Fis87]. COBWEB funktioniert in zwei Stufen. Zuerst werden die Elemente einerSequenz gruppiert und dann die Sequenzen selbst. In Bezug auf temporale Datenstellt der erste Schritt kein größeres Problem dar. Ganz im Gegensatz dazu allerdingsder zweite Schritt: Hier ist es notwendig die Sequenzen zu generalisieren, waswiederum voraussetzt, dass es einen gemeinsamen Nenner gibt, der beschreibt, wasin verschiedenen Sequenzen gemeinsam ist.5.3 Analyse sequentieller Muster5.3.1 GSP-AlgorithmusGSP steht für ”Generalized Sequential Pattern“. Wie bereits oben erwähnt handeltes sich bei diesem Algorithmus um eine Anlehnung an den Apriori-Algorithmus.Laut Mohammed J. Zaki [Zak97] handelt es sich bei diesem Algorithmus um denbesten existierenden Algorithmus für das Auffinden sequentieller Muster. Apriori-Derivate gibt es mehrere. Zwei dieser Algorithmen, AprioriSome und DynamicSomegenerieren ausschließlich die maximalen sequentiellen Muster. Das heißt, sie findennur die Muster mit der maximalen Anzahl an Sequenzen. Oftmals werden aber alleMuster benötigt, das heißt, dass auch Muster, die nur aus zwei Sequenzen besteheninteressant sind. Diese Ansätze waren deshalb unzureichend. Mit der Veröffentlichungvon AprioriAll wurde dies geändert. Der im Folgenden vorgestellte GSP setztauf dem AprioriAll auf und optimiert ihn hinsichtlich der Geschwindigkeit um das20fache [Zak97].FunktionsweiseIm ersten Durchgang des Allgorithmus werden für k = 1 alle 1er-Sequenzen bzw. alleItems gezählt. Von den Sequenzen, die abhängig von der minimalen Unterstützungals häufig bestimmt wurden, werden nun die die Kandidaten für die häufigen 2er-Sequenzen gebildet (k = 2). Erneut wird die Unterstützung ermittelt und alle häufigenSequenzen werden Kandidaten für den nächsten Durchgang. Dieser Vorgangwird so lange wiederholt bis alle häufigen Sequenzen gefunden wurden. Der GSPmacht also für jeden Level (1er-/2er-/...-Sequenzen) eine Suche über die Datenbank(Scan).Der abgebildete Algorithmus (siehe Abbildung 6) enthält in der ersten Zeile alle 1er20