AI Summary & Key Takeaways
AI InsightACROA can be an efficientsolution method for different data mining tasks such as association rules mining, clustering rules mining,sequential pattern mining, and etc.
📌 3 Key Takeaways
Abstract
Classification rules mining is one of the most studied data mining problems. In this article, chemistry basedArtificial Chemical Reaction Optimization Algorithm (ACROA) has been for the first time used for miningof generalized classification rules, which is a complex and no well researched generalized variant ofclassification rules mining where there is more than one goal attribute to be predicted. Furthermore,interestingness measure has been added by performing the adaptations to the algorithm in order to make the rules mined by the algorithm not only accurate and comprehensible but also interesting, surprising, andunexpected. Different rule sets within different databases satisfying different objectives have been flexiblymined by adapting the representation scheme and objective function. Performance of ACROA inclassification rules mining within different real public databases have been compared that of geneticalgorithm, particle swarm optimization algorithm, and ant colony optimization algorithm. It has shown that performance of ACROA within this special task of data mining is promising. ACROA can be an efficientsolution method for different data mining tasks such as association rules mining, clustering rules mining,sequential pattern mining, and etc.
Özet
Sınıflandırma kural madenciliği en çok çalışılan veri madenciliği problemlerindendir. Bu makalede birdenfazla sınıflama etiketi bulunan ve tahmin edilecek birden fazla hedef niteliğin olduğu veritabanlarında,sınıflandırma kural madenciliğinin daha genel bir hali olan kompleks ve fazla çalışılmamış genelleştirilmişkural keşfi problemi için ilk kez kimya tabanlı Yapay Kimyasal Reaksiyon Optimizasyon Algoritması(YAKROA) kullanılmıştır. İlginçlik kriteri de eklenerek; algoritmanın keşfedeceği kuralların sadece doğru ve anlaşılabilir değil aynı zamanda ilginç, beklenmedik ve sürpriz olması için de gerekli düzenlemeleryapılmıştır. Farklı amaçlar doğrultusunda değişik veritabanlarında farklı kurallar kümesi, esnek bir şekildealgoritmadaki temsil biçimi ve amaç fonksiyonunun düzenlenmesiyle bulunmuştur. Farklı özellikte halkaaçık gerçek veritabanlarında YAKROA'nın sınıflandırma kural keşfi problemindeki performansı genetikalgoritma, parçacık sürü optimizasyon algoritması ve karınca koloni optimizasyon algoritması ile karşılaştırılmıştır. Deneysel sonuçlardan, YAKROA'nın veri madenciliğinin bu özel alanındakiperformansının umut verici olduğu görülmüştür. YAKROA'nın farklı veri madenciliği problemleri;özellikle birliktelik kurallarının keşfi, kümeleme kurallarının keşfi, ardışık örüntü keşfi vb. için etkili birçözüm yöntemi olarak kullanılabileceği öngörülmektedir.