데이터마이닝은 데이터베이스에 저장되어 있는 많은 일반적인 정보들을 가지고 의미있는 정보를 찾아내는 것이다. 많은 데이터 마이닝 기법들 중에 클러스터링과 연관규칙을 다루는 연구가 많이 이뤄지고 있다. 클러스터링 기법에는 공간데이터를 다루거나 속성데이터(비공간 데이터)를 다루는 많은 기법들이 연구되고 있고, 연관규칙 또한 빈발 패턴을 찾아내는 연구가 활발히 진행되고 있다. 기존의 연구 중 apriori 연관규칙 알고리즘을 개선하는 방법으로 비트 클러스터링을 이용하는 방법이 있다. 우리는 apriori 연관규칙 보다 더 나은 성능을 나타내는 FP-Growth에 대해 살펴보고 FP-Growth의 문제점을 찾아 이를 해결하기 위한 방법으로 비트 클러스터링을 이용하여 해결할 수 있는지에 대해 연구하였다. 본 논문에서는 전체 데이터베이스를 비트 클러스터링을 통해 몇 개의 클러스터로 나누어 FP-Growth 방법에 사용할 것을 제안하였다. 이렇게 하면 기존의 FP-Growth 방법보다 더 나은 성능을 가질 수 있으며 이를 증명하기 위한 실험을 수행하였다. 실험은 패턴 마이닝 연구에서 사용하는 chess 데이터를 이용하였으며, 최소지지도를 다르게 적용하면서 FP-Tree를 생성하는 실험을 하였다. 최소지지도가 높은 경우에는 기존의 방법과 비슷한 결과를 얻었지만 그 외 경우에는 기존의 방법보다 본 논문에서 제안하는 방법이 더 우수한 결과를 얻을 수 있었다. 본 논문의 주요 결론으로서 비트 클러스터링을 이용한 방법이 상대적으로 우수한 데이터 마이닝 방법임을 정리하였으며, 아울러 GML 데이터를 위한 비트 클러스터링의 적용방법론에 대하여도 논의하였다.적 성분으로 평가된다. 이러한 잠재적 추적자들에 근거할 때, 한국 서남해에 발달하고 있는 니질 퇴적대의 전퇴적물은 한국과 중국의 혼합 기원으로 해석되나, 실트와 점토 구간의 퇴적물로 나누어 볼 때 그기원이 각각 다르게 나타났다. 즉, 점토 퇴적물은 한국과 중국의 혼합 기원으로, 실트 퇴적물은 한국 기원이 우세한 것으로 해석된다. 과립에 황금입자가 표지되었다. 따라서 1일 동안 배설되는 분비배설항원은 선모충 유충의 표피와 stichocyte의 ${\alpha}_0\;{\alpha}_1$ 과립에서 유도되는 반면에 3일 동안 배설되는 분비배설항원은 표피와 stichocyte의 ${\alpha}_0$ 과립에서 유도되고, 선모충유충 감염후 1주, 4주에 실험쥐에서 형성되는 감염항체는 선모충의 표피와 기저층 그리고 EIM에서 분비되는 항원에 의하여 생성된다. 이상의 결과로 선모충의 분비배설항원과 감염항원은 선모충 유충의 표피와 EIM및 stichocyte의 ${\alpha}_0\;{\alpha}_1$ 과립에서 유도되며 이들은 45 kDa 단백을 포함하고 있는 것으로 생각된다.성하고 있는 세포들에는 세포질이 어두운 세포와 밝은 세포가 있었으며, 세포질내에는 전자밀도가 높은 분비과립이 관찰되었다. 전체적인 특징은 눈물샘분비세포 중 장액세포의 것과 비슷하였으나, 과립의 크기는 작았다. 분비관을 구성하는 세포들 사이에도 연접복합체가 매우 잘 발달되어 있었다. 샘포에서 사이관으로 이행되는 곳에서도 샘포세포와 사이관세포 사이에서도 연접복합체가 관찰되었다. 분비관세포의 분비과립 가운데는 중심부분에 전자밀도가
데이터마이닝은 데이터베이스에 저장되어 있는 많은 일반적인 정보들을 가지고 의미있는 정보를 찾아내는 것이다. 많은 데이터 마이닝 기법들 중에 클러스터링과 연관규칙을 다루는 연구가 많이 이뤄지고 있다. 클러스터링 기법에는 공간데이터를 다루거나 속성데이터(비공간 데이터)를 다루는 많은 기법들이 연구되고 있고, 연관규칙 또한 빈발 패턴을 찾아내는 연구가 활발히 진행되고 있다. 기존의 연구 중 apriori 연관규칙 알고리즘을 개선하는 방법으로 비트 클러스터링을 이용하는 방법이 있다. 우리는 apriori 연관규칙 보다 더 나은 성능을 나타내는 FP-Growth에 대해 살펴보고 FP-Growth의 문제점을 찾아 이를 해결하기 위한 방법으로 비트 클러스터링을 이용하여 해결할 수 있는지에 대해 연구하였다. 본 논문에서는 전체 데이터베이스를 비트 클러스터링을 통해 몇 개의 클러스터로 나누어 FP-Growth 방법에 사용할 것을 제안하였다. 이렇게 하면 기존의 FP-Growth 방법보다 더 나은 성능을 가질 수 있으며 이를 증명하기 위한 실험을 수행하였다. 실험은 패턴 마이닝 연구에서 사용하는 chess 데이터를 이용하였으며, 최소지지도를 다르게 적용하면서 FP-Tree를 생성하는 실험을 하였다. 최소지지도가 높은 경우에는 기존의 방법과 비슷한 결과를 얻었지만 그 외 경우에는 기존의 방법보다 본 논문에서 제안하는 방법이 더 우수한 결과를 얻을 수 있었다. 본 논문의 주요 결론으로서 비트 클러스터링을 이용한 방법이 상대적으로 우수한 데이터 마이닝 방법임을 정리하였으며, 아울러 GML 데이터를 위한 비트 클러스터링의 적용방법론에 대하여도 논의하였다.적 성분으로 평가된다. 이러한 잠재적 추적자들에 근거할 때, 한국 서남해에 발달하고 있는 니질 퇴적대의 전퇴적물은 한국과 중국의 혼합 기원으로 해석되나, 실트와 점토 구간의 퇴적물로 나누어 볼 때 그기원이 각각 다르게 나타났다. 즉, 점토 퇴적물은 한국과 중국의 혼합 기원으로, 실트 퇴적물은 한국 기원이 우세한 것으로 해석된다. 과립에 황금입자가 표지되었다. 따라서 1일 동안 배설되는 분비배설항원은 선모충 유충의 표피와 stichocyte의 ${\alpha}_0\;{\alpha}_1$ 과립에서 유도되는 반면에 3일 동안 배설되는 분비배설항원은 표피와 stichocyte의 ${\alpha}_0$ 과립에서 유도되고, 선모충유충 감염후 1주, 4주에 실험쥐에서 형성되는 감염항체는 선모충의 표피와 기저층 그리고 EIM에서 분비되는 항원에 의하여 생성된다. 이상의 결과로 선모충의 분비배설항원과 감염항원은 선모충 유충의 표피와 EIM및 stichocyte의 ${\alpha}_0\;{\alpha}_1$ 과립에서 유도되며 이들은 45 kDa 단백을 포함하고 있는 것으로 생각된다.성하고 있는 세포들에는 세포질이 어두운 세포와 밝은 세포가 있었으며, 세포질내에는 전자밀도가 높은 분비과립이 관찰되었다. 전체적인 특징은 눈물샘분비세포 중 장액세포의 것과 비슷하였으나, 과립의 크기는 작았다. 분비관을 구성하는 세포들 사이에도 연접복합체가 매우 잘 발달되어 있었다. 샘포에서 사이관으로 이행되는 곳에서도 샘포세포와 사이관세포 사이에서도 연접복합체가 관찰되었다. 분비관세포의 분비과립 가운데는 중심부분에 전자밀도가
Data mining extracts interesting knowledge from a large database. Among numerous data mining techniques, research work is primarily concentrated on clustering and association rules. The clustering technique of the active research topics mainly deals with analyzing spatial and attribute data. And, th...
Data mining extracts interesting knowledge from a large database. Among numerous data mining techniques, research work is primarily concentrated on clustering and association rules. The clustering technique of the active research topics mainly deals with analyzing spatial and attribute data. And, the technique of association rules deals with identifying frequent patterns. There was an advanced apriori algorithm using an existing bit-clustering algorithm. In an effort to identify an alternative algorithm to improve apriori, we investigated FP-Growth and discussed the possibility of adopting bit-clustering as the alternative method to solve the problems with FP-Growth. FP-Growth using bit-clustering demonstrated better performance than the existing method. We used chess data in our experiments. Chess data were used in the pattern mining evaluation. We made a creation of FP-Tree with different minimum support values. In the case of high minimum support values, similar results that the existing techniques demonstrated were obtained. In other cases, however, the performance of the technique proposed in this paper showed better results in comparison with the existing technique. As a result, the technique proposed in this paper was considered to lead to higher performance. In addition, the method to apply bit-clustering to GML data was proposed.
Data mining extracts interesting knowledge from a large database. Among numerous data mining techniques, research work is primarily concentrated on clustering and association rules. The clustering technique of the active research topics mainly deals with analyzing spatial and attribute data. And, the technique of association rules deals with identifying frequent patterns. There was an advanced apriori algorithm using an existing bit-clustering algorithm. In an effort to identify an alternative algorithm to improve apriori, we investigated FP-Growth and discussed the possibility of adopting bit-clustering as the alternative method to solve the problems with FP-Growth. FP-Growth using bit-clustering demonstrated better performance than the existing method. We used chess data in our experiments. Chess data were used in the pattern mining evaluation. We made a creation of FP-Tree with different minimum support values. In the case of high minimum support values, similar results that the existing techniques demonstrated were obtained. In other cases, however, the performance of the technique proposed in this paper showed better results in comparison with the existing technique. As a result, the technique proposed in this paper was considered to lead to higher performance. In addition, the method to apply bit-clustering to GML data was proposed.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 FP-Tree를 생성할 때 걸리는 부하량이나 시간으로 인하여 성능 저하를 일으키게 된다. 따라서 본 논문에서는 비트 클러스터링을 이용할 것을 제안한다.
본 논문에서는 비트 클러스터링을 GML 데이터에 어떻게 사용할 수 있는지 보였고, 연관규칙 방법 중 하나인 FP-Growth에 적용하였을 때 어떤 효과를 얻을 수 있는지 보였다. 따라서 본 연구에서는 FP-Growth에 비트 클러스터링을 적용하여 사용할 것을 제안하였다. 이는 기존의 방법보다 더 나은 성능을 갖는다는 것을 실험을 통해 확인할 수 있었으며, 이를 통하여 본 논문에서 제안하는 방법이 기존의 방법보다 우수하다는 것을 알 수 있다.
본 논문에서는 FP-Growth의 성능을 개선하기 위하여 범주형 데이터를 다루는 비트 클러스터링 [7] 응용에 대한 연구를 하였다. 기존의 연관규칙 방법 중 apriori 알고리즘을 개선하는 방법으로 비트 클러스터링을 이용하는 방법 [기 이 있었다.
GML 데이터나 다른 마이닝 방법인 연관규칙에도 응용할 수 있다. 본 논문에서는 비트 클러스터링을 GML 데이터에 어떻게 사용할 수 있는지 보였고, 연관규칙 방법 중 하나인 FP-Growth에 적용하였을 때 어떤 효과를 얻을 수 있는지 보였다. 따라서 본 연구에서는 FP-Growth에 비트 클러스터링을 적용하여 사용할 것을 제안하였다.
본 논문에서는 비트 클러스터링을 어떻게 응용할 수 있는지 제시하였으며, FP-Growth의 문제점을 보완하기 위하여 비트 클러스터링을 사용할 것을 제안하였다. 비트 클러스터링에서는 유사도 식과 소유 가능도 식을 제시하고 4가지 정의를 통해서 클러스터링을 하였다' 데이터 또는 아이템의 소유 유무에 따라 0 또는 1의 비트 값으로 바꾸어 사용하였다.
이것을 비트형태로 변환 시켜 사용하였다. 실험 내용은 chess 데이터를 이용하여 FP-Tree 생성을 하였을 때와 chess 데이터를 비트 클러스터링을 이용한 후 FP-Treee를 생성하였을 때 어떤 효율성을 갖느냐이다. FP-Growth의 성능은 대부분 FP-Tree를 생성하는 것에 좌우되기 때문에 규칙을 생성하는 부분까지는 하지 않았다.
기존의 연관규칙 방법 중 apriori 알고리즘을 개선하는 방법으로 비트 클러스터링을 이용하는 방법 [기 이 있었다. 우리는 apriori보다 더 나은 성능을 보이는 FP-Growth 의 문제점을 찾고 비트 클러스터링을 통해 개선할 수 있는 방법을 연구하였다. 전체 데이터베이스를 비트 클러스터링을 통해 몇 개의 클러스터로 나누어 FP —Growth를 적용하였을 때 기존의 FP-Growth 방법보다 더 나은 성능을 보인다는 것을 실험을 통해 확인하였다.
가설 설정
1) 유사도 임계값과 소유 가능도 임계값을 입력받는다.
제안 방법
적합한 클러스터링이라고 하였다. 먼저 기존의 클러스터링 방법에서 사용하는 유사도를 구하는 방법으로 거리 기반 방법을 많이 사용하였다. 주로 많이 사용하는 것이 유클리디안 거리법이다.
이는 기존의 방법보다 본 논문에서 제안하는 방법이 더 우수하다는 것을 나타내준다. 추가적으로 GML 데이터에 비트 클러스터링을 어떻게 적용하여 마이닝 할 수 있는지도 확인하였다.
사용하는 예를 보였다. 특히 FP-Growth의 경우 FP-Tree를 만드는데 걸리는 부하와 시간에 따른 성능저하 문제를 해결하기 위하여 비트 클러스터링을 이용하는 것을 제안하였다. 실험을 통하여 비트 클러스터링을 적용한 후 FP-Tree를 생성하여 사용하는 경우에 보다 나은 성능을 보이는 것을 알 수 있었다.
대상 데이터
본 실험에서는 마이닝에 자주 사용되는 chess 데이터를 이용하였다. 이것을 비트형태로 변환 시켜 사용하였다.
Net C#으로하였다. 실험 데이터는 마이닝에서 자주 사용하는 chess 데이터를 이용하여 실험하였다[15].<표 9> 에 실험 환경을 정리해 놓았다.
전체 데이터베이스를 비트 클러스터링을 통해 몇 개의 클러스터로 나누어 FP —Growth를 적용하였을 때 기존의 FP-Growth 방법보다 더 나은 성능을 보인다는 것을 실험을 통해 확인하였다. 실험은 패턴 마이닝 연구에서 사용하는 chess 데이터를 이용하였으며 최소지지도를 다르게 적용하였다. FP-Growth의 성능 대부분은 FP-Tree 생성이 좌우하기 때문에 FP-Tree를 생성하는 실험까지 하였다.
데이터처리
된다. 첫 번째 검색을 통해 빈발 아이템 리스트를 찾아낸다. 빈발 아이템 리스트는 주어진 최소 지지도 값보다 높은 아이템들을 모아둔 리스트이다.
이론/모형
비트 사용 유무는 본 논문에서 제안하는 방법인 비트 클러스터링 기법만 사용하고 있으며 표본 사용의 경우 CLARANS 알고리즘만 표본을 사용하게 되는데 이는 대용량 데이터베이스 집합에서 모든 객체 또는 트랜잭션을 다루지 않고 샘플링된 임의의 객체 또는 트랜잭션을 다루게 된다.
성능/효과
Apriori 기법은 후보 항목을 생성하여 빈발항목을 찾아내지만 FP-Growth 기법은 후보 항목을 생성하지 않고 빈발트리를 생성하게 돤다. 성능 부분에 있어서는 후보 항목을 생성하지 않고 처리가 되는 FP-Growth 기법이 우수한 것으로 나타났다.
특히 FP-Growth의 경우 FP-Tree를 만드는데 걸리는 부하와 시간에 따른 성능저하 문제를 해결하기 위하여 비트 클러스터링을 이용하는 것을 제안하였다. 실험을 통하여 비트 클러스터링을 적용한 후 FP-Tree를 생성하여 사용하는 경우에 보다 나은 성능을 보이는 것을 알 수 있었다. 다만, 최소 지지도가 높은 경우는 비트 클러스터링을 사용한 방법과 기존의 방법의 차이가 크지 않았다.
따라서 본 연구에서는 FP-Growth에 비트 클러스터링을 적용하여 사용할 것을 제안하였다. 이는 기존의 방법보다 더 나은 성능을 갖는다는 것을 실험을 통해 확인할 수 있었으며, 이를 통하여 본 논문에서 제안하는 방법이 기존의 방법보다 우수하다는 것을 알 수 있다. 향후 연구과제로 실제 규칙을 생성하였을 때 기존 방법과의 데이터 질적 차이는 어떻게 되는지 어느 정도 차이가 나는지 실험을 통해 확인해봐야 할 것이며, 기존의 다른 클러스터링 방법과의 비교 실험도 필요할 것이다.
최소지지도가 높은 경우에는 기존의 방법과 비슷한 결과를 얻었지만 낮은 경우에는 기존의 방법보다 본 논문에서 제안하는 방법이 더 나은 성능을 갖는 결과를 얻었다. 이는 기존의 방법보다 본 논문에서 제안하는 방법이 더 우수하다는 것을 나타내준다. 추가적으로 GML 데이터에 비트 클러스터링을 어떻게 적용하여 마이닝 할 수 있는지도 확인하였다.
비트 클러스터링에서는 유사도 식과 소유 가능도 식을 제시하고 4가지 정의를 통해서 클러스터링을 하였다' 데이터 또는 아이템의 소유 유무에 따라 0 또는 1의 비트 값으로 바꾸어 사용하였다. 이러한 방법은 범주형의 속성 데이터나 GML 데이터 등 거리 척도로 유사성을 계산하기 힘든 데이터에 적합함을 보였다.
이는 최소 지지도가 높은 경우 아이템 리스트에 나타나는 아이템의 개수가 그만큼 줄어들게 되고 아이템의 개수가 줄어들게 되면 당연히 트리의 형태도 작아지게 되기 때문에 차이가 크게 나지 않는 것이다. 이렇듯 FP-Tree 생성하는데 있어서 성능을 개선하기 위하여 비트 클러스터링을 사용할 수 있다는 것을 실험을 통해 확인 할 수 있었다.
우리는 apriori보다 더 나은 성능을 보이는 FP-Growth 의 문제점을 찾고 비트 클러스터링을 통해 개선할 수 있는 방법을 연구하였다. 전체 데이터베이스를 비트 클러스터링을 통해 몇 개의 클러스터로 나누어 FP —Growth를 적용하였을 때 기존의 FP-Growth 방법보다 더 나은 성능을 보인다는 것을 실험을 통해 확인하였다. 실험은 패턴 마이닝 연구에서 사용하는 chess 데이터를 이용하였으며 최소지지도를 다르게 적용하였다.
최소 지지도가 높아질수록 비트 클러스터링을 이용한 방법과 기존의 방법의 성능이 비슷해짐을 볼 수 있다. 최소 지지도가높은경우 FP-Tree 생성 시 아이템 리스트에 나타나는 아이템의 개수가 그만큼 줄어들게 되고 아이템의 개수가 줄어들게 되면 당연히 가장 길이가 긴 가지는 아이템의 개수만큼 된다.
FP-Growth의 성능 대부분은 FP-Tree 생성이 좌우하기 때문에 FP-Tree를 생성하는 실험까지 하였다. 최소지지도가 높은 경우에는 기존의 방법과 비슷한 결과를 얻었지만 낮은 경우에는 기존의 방법보다 본 논문에서 제안하는 방법이 더 나은 성능을 갖는 결과를 얻었다. 이는 기존의 방법보다 본 논문에서 제안하는 방법이 더 우수하다는 것을 나타내준다.
후속연구
이는 기존의 방법보다 더 나은 성능을 갖는다는 것을 실험을 통해 확인할 수 있었으며, 이를 통하여 본 논문에서 제안하는 방법이 기존의 방법보다 우수하다는 것을 알 수 있다. 향후 연구과제로 실제 규칙을 생성하였을 때 기존 방법과의 데이터 질적 차이는 어떻게 되는지 어느 정도 차이가 나는지 실험을 통해 확인해봐야 할 것이며, 기존의 다른 클러스터링 방법과의 비교 실험도 필요할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.