데이터마이닝은 방대한 양의 데이터 속에서 유용한 정보를 찾아내는 과정이며, 이를 위해 데이터마이닝 도구가 필요하다. 데이터마이닝 도구 또는 솔루션은 E-Miner, Clementine, WEKA, R 등 상당히 많은 종류가 있으나 대부분의 데이터마이닝 도구는 다양성과 범용성에 초점을 맞추어 개발되어 사용 편의성과 분석 자동화에 대해서는 소홀한 실정이어서 비전문가가 사용하기 어려운 경우가 대부분이다. 본 논문에서는 피에이치피와 웨카를 이용하여 인터넷 환경에서 데이터마이닝 기법을 실행하고, 생성된 분석결과를 보다 쉽게 해석할 수 있도록 개선하여 일반 사용자도 쉽게 사용할 수 있는 시스템을 설계하고 구현하고자 한다. 본 논문에서 구현하는 데이터마이닝 기법은 가장 많이이용되고 있는 연관성 규칙의 Apriori 알고리즘, 군집분석의 K-평균 알고리즘, 의사결정나무의 J48알고리즘 등이다.
데이터마이닝은 방대한 양의 데이터 속에서 유용한 정보를 찾아내는 과정이며, 이를 위해 데이터마이닝 도구가 필요하다. 데이터마이닝 도구 또는 솔루션은 E-Miner, Clementine, WEKA, R 등 상당히 많은 종류가 있으나 대부분의 데이터마이닝 도구는 다양성과 범용성에 초점을 맞추어 개발되어 사용 편의성과 분석 자동화에 대해서는 소홀한 실정이어서 비전문가가 사용하기 어려운 경우가 대부분이다. 본 논문에서는 피에이치피와 웨카를 이용하여 인터넷 환경에서 데이터마이닝 기법을 실행하고, 생성된 분석결과를 보다 쉽게 해석할 수 있도록 개선하여 일반 사용자도 쉽게 사용할 수 있는 시스템을 설계하고 구현하고자 한다. 본 논문에서 구현하는 데이터마이닝 기법은 가장 많이이용되고 있는 연관성 규칙의 Apriori 알고리즘, 군집분석의 K-평균 알고리즘, 의사결정나무의 J48 알고리즘 등이다.
Data mining is the method to find useful information for large amounts of data in database. It is used to find hidden knowledge by massive data, unexpectedly pattern, relation to new rule. We need a data mining tool to explore a lot of information. There are many data mining tools or solutions; E-Mi...
Data mining is the method to find useful information for large amounts of data in database. It is used to find hidden knowledge by massive data, unexpectedly pattern, relation to new rule. We need a data mining tool to explore a lot of information. There are many data mining tools or solutions; E-Miner, Clementine, WEKA, and R. Almost of them are were focused on diversity and general purpose, and they are not useful for laymen. In this paper we design and implement a web-based data mining tool using PHP and WEKA. This system is easy to interpret results and so general users are able to handle. We implement Apriori algorithm of association rule, K-means algorithm of cluster analysis, and J48 algorithm of decision tree.
Data mining is the method to find useful information for large amounts of data in database. It is used to find hidden knowledge by massive data, unexpectedly pattern, relation to new rule. We need a data mining tool to explore a lot of information. There are many data mining tools or solutions; E-Miner, Clementine, WEKA, and R. Almost of them are were focused on diversity and general purpose, and they are not useful for laymen. In this paper we design and implement a web-based data mining tool using PHP and WEKA. This system is easy to interpret results and so general users are able to handle. We implement Apriori algorithm of association rule, K-means algorithm of cluster analysis, and J48 algorithm of decision tree.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 피에이치피와 웨카를 이용하여 웹 환경 하에서 데이터마이닝을 실행하는 동시에 웨카의 단점을 보완하여 분석결과를 용이하게 해석할 수 있는 시스템을 설계하고 구현하고자 한다. 2절에서는 피에이치피와 웨카를 이용하여 웹 환경 하에서 데이터마이닝을 실행하고 생성된 분석결과를 쉽게 해석할 수 있는 시스템의 설계에 대해 기술하며, 3절에서는 시스템의 구현 결과에 대해 기술한 후 4절에서 결론 및 향후과제를 다루고자 한다.
또한 분석결과 저장 또한 문장 형태의 결과 그대로 파일로 저장해 둘 수밖에 없기 때문에 분석결과를 다른 분석에 활용하기 어렵다. 이에 본 연구에서는 데이터마이닝의 비전문가도 쉽게 데이터마이닝 분석을 진행할 수 있도록 웨카의 복잡한 설정 과정을 단순화하고 웹 기반으로 개발하여 설치 과정 없이 언제 어디서나 분석을 진행할 수 있도록 하였다. 연관성규칙 중 Apriori, 군집분석 중 K-평균, 의사결정나무 중 J48 등의 3가지 알고리즘을 사용하여 데이터마이닝 분석결과를 제공하며 분석결과 해석을 돕기 위해 연관성 규칙의 결과를 변수별로 오름차순과 내림차순으로 번갈아 정렬순서를 변경해서 볼 수 있는 정렬 기능과 원하는 조건으로 분석결과를 찾아볼 수 있는 검색 기능을 추가하였다.
제안 방법
1이 사용되었다. 또한 Java로 개발된 웨카와 피에이치피를 연동하기 위해 피에이치피/java Bridge를 사용하였다. 클라이언트는 사용자 인터페이스로써의 역할과 분석결과를 제어하여 원하는 결과를 쉽게 찾을 수 있도록 하는 역할을 한다.
본 논문에서 설계하고 구현하고자 하는 시스템은 웹 기반의 데이터마이닝 도구로써 도구의 설치과정 없이 인터넷이 가능한 환경이면 어디서나 데이터마이닝 기법을 실행하고 생성된 분석결과를 보다 쉽게 해석할 수 있도록 지원하는 시스템이다. 시스템의 구성은 크게 데이터 관리, 분석설정, 분석, 분석결과관리로 구성되어 있으며, 시스템의 구조는 다음의 그림 2.
본 논문에서 설계하고 구현한 피에이치피와 웨카를 이용한 웹 기반의 데이터마이닝 도구는 설치과정없이 인터넷이 가능한 환경에서 데이터마이닝 분석을 실행하고 생성된 분석결과에 대한 정렬, 검색 등의기능을 통해 일반 사용자도 보다 쉽게 사용할 수 있는 시스템을 설계하고 구현하였다.
본 연구에서는 알고리즘의 다양성보다는 웨카를 활용한 웹기반 데이터마이닝 도구의 개발 가능성에대해 초점을 맞추어 위에서 기술한 3가지 알고리즘만 적용하였다. 그러나 향후에는 더욱 더 다양한 알고리즘의 접목과 쉽고 편리한 사용자 인터페이스에 대한 연구를 통해 보다 나은 데이터마이닝 도구의 개발이 필요할 것이다.
이에 본 연구에서는 데이터마이닝의 비전문가도 쉽게 데이터마이닝 분석을 진행할 수 있도록 웨카의 복잡한 설정 과정을 단순화하고 웹 기반으로 개발하여 설치 과정 없이 언제 어디서나 분석을 진행할 수 있도록 하였다. 연관성규칙 중 Apriori, 군집분석 중 K-평균, 의사결정나무 중 J48 등의 3가지 알고리즘을 사용하여 데이터마이닝 분석결과를 제공하며 분석결과 해석을 돕기 위해 연관성 규칙의 결과를 변수별로 오름차순과 내림차순으로 번갈아 정렬순서를 변경해서 볼 수 있는 정렬 기능과 원하는 조건으로 분석결과를 찾아볼 수 있는 검색 기능을 추가하였다.
후속연구
본 연구에서는 알고리즘의 다양성보다는 웨카를 활용한 웹기반 데이터마이닝 도구의 개발 가능성에대해 초점을 맞추어 위에서 기술한 3가지 알고리즘만 적용하였다. 그러나 향후에는 더욱 더 다양한 알고리즘의 접목과 쉽고 편리한 사용자 인터페이스에 대한 연구를 통해 보다 나은 데이터마이닝 도구의 개발이 필요할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
데이터마이닝이란 무엇인가?
데이터마이닝(data mining)은 대량의 데이터로부터 정보를 추출하고 이를 바탕으로 의사결정에 이용하는 것을 의미한다. 사전적 의미로 데이터에서 채굴한다는 의미로 자료에서 가치 있는 것을 캐내는 작업을 말한다 (Han과 Kamber, 2001).
웨카의 단점은 무엇인가?
뿐만 아니라 웨카는 고가의 상용 도구에 비해서도 뒤지지 않는 기능을 제공하면서도 어느 누구나 무료로 사용이 가능하여 많은 분야에서 활용되고 있다. 하지만 분석결과의 해석을 도와줄 수 있는 사용자 도구가 부족한 것이 단점이라고 할 수 있다.
군집분석은 무엇인가?
군집분석은 다양한 특성을 지닌 관찰대상을 유사성을 바탕으로 동질적인 집단으로 분류하는데 쓰이는 기법이다. 군집분석의 시초라고 할 수 있는 K-평균은 MaxQueen (1967)에 의해 처음 소개된 알고리즘이며, 데이터들을 k개의 군집으로 임의로 분할을 하여 군집의 평균을 대표값으로 분할해 나가는 방법으로 데이터들을 유사성을 바탕으로 재배치를 하는 방법이다.
참고문헌 (15)
김성수, 박희진, 조영훈, 오진호 (2005). R을 이용한 회귀분석과 실험계획법 시스템 구축. , 5-11.
박인우, 권재기 (2007). 대학의 성공적인 ERP 구축을 위한 대학특성 유형분석. , 29, 73-101.
이창호, 이남근, 이승희, 이병엽, 김주용 (2000). 시나리오 기반의 데이터 마이닝 도구 XM-Tool/Miner 설계 및 구현. , 2, 307-314.
정인근, 이명무, 김용진 (2002). Perl/CGI와 피에이치피의 비교를 통한 웹 어플리케이션 개발성과에 미치는 영향에 관한 연구. , 2, 307-314.
Agrawal, R., Imielinski R. and Swami, A. (1993). Mining assocation rules between sets of items in large databases. Proceedings of the ACM SIGMOD Conference on Management of Data, 207-216.
Breiman, L., Friedman, J., Olshen, R. and Stone, C. (1984). Classification and regression trees, Wadsworth International Group, Belmont, California.
Han J. and Kamber M. (2001). Data mining: Concepts and techniques, Morgan Kaufmann, San Francisco.
Hartigan, J. A. (1975). Clustering algorithms, John Wiley & Sons, Inc, New York.
Holmes, G., Donkin, A. and Witten, I. (1994). WEKA: A machine learning workbench. Proceedings of the Second Australia and New Zealand Conference on Intelligent Information Systems, 357-361.
Kang, H. G., Kim, K. K., Kang, C. W., Choi, S. B. and Cho, S. K. (2003). Applied study on data mining technique in insurance CRM. The Journal of Korean Data Analysis Society, 5, 101-112.
Kim, K. K. (2003). A study on classication methods in data mining. The Journal of Korean Data Analysis Society, 5, 101-112.
MaxQueen, J. (1967). Some methods for classication and analysis of multivariate observations. Proceedings of Berkeley Symposium on Mathematical Statistics and Probability, 281-297.
Park, H. C. and Cho, K. W. (2005a). Waste database analysis joined with local information using association rules. The Journal of Korean Data Analysis Society, 7, 763-772.
Park, H. C. and Cho, K. W. (2005b). Social indicator survey data analysis using decision tree. The Journal of Korean Data Analysis Society, 7, 773-783.
Quinlan, J. (1992). C4.5: Programs for machine learning, Morgan Kaufmann, San Francisco.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.