다양한 정보기기와 소셜네트워크시스템, 그리고, 클라우드컴퓨팅환경 등과 같은 인터넷기반의 인프라를 토대로 분산화되고 공유가능한 데이터가 폭발적으로 증가하고 있다. 최근에는 데이터에 내재되어 있는 유용한 정보와 지식을 추출하고 분석 및 분류하기 위한 데이터분석 및 마이닝기법으로서, 이진데이터 또는 다치데이터에 관한 형식개념분석기법에 관한 연구가 활발하게 진행되어 다양한 분야에서 성공적으로 활용되고 있다. 그러나, 각 속성들이 구간값을 갖는 형태로 이루어진 구간데이터의 분석에 대한 형식개념분석에 관한 연구는 많이 수행되지 못하였다. 본 논문에서는, 구간데이터를 분석하기 위하여 형식개념분석기법을 기반으로 하는 새로운 분류기법을 제안한다. 또한, 구간데이터의 이진화, 개념추출 및 개념계층구조 구축 등, 본 논문에서 제안한 새로운 분류기법을 지원하기 위한 도구(iFCA)의 구축에 관하여 소개하고, 마지막으로, 몇가지 실세계의 데이터를 대상으로 한 실험결과를 토대로, 본 논문에서 제안하는 분류기법의 유용성에 대해서 설명한다.
다양한 정보기기와 소셜네트워크시스템, 그리고, 클라우드컴퓨팅환경 등과 같은 인터넷기반의 인프라를 토대로 분산화되고 공유가능한 데이터가 폭발적으로 증가하고 있다. 최근에는 데이터에 내재되어 있는 유용한 정보와 지식을 추출하고 분석 및 분류하기 위한 데이터분석 및 마이닝기법으로서, 이진데이터 또는 다치데이터에 관한 형식개념분석기법에 관한 연구가 활발하게 진행되어 다양한 분야에서 성공적으로 활용되고 있다. 그러나, 각 속성들이 구간값을 갖는 형태로 이루어진 구간데이터의 분석에 대한 형식개념분석에 관한 연구는 많이 수행되지 못하였다. 본 논문에서는, 구간데이터를 분석하기 위하여 형식개념분석기법을 기반으로 하는 새로운 분류기법을 제안한다. 또한, 구간데이터의 이진화, 개념추출 및 개념계층구조 구축 등, 본 논문에서 제안한 새로운 분류기법을 지원하기 위한 도구(iFCA)의 구축에 관하여 소개하고, 마지막으로, 몇가지 실세계의 데이터를 대상으로 한 실험결과를 토대로, 본 논문에서 제안하는 분류기법의 유용성에 대해서 설명한다.
Based on the internet-based infrastructures such as various information devices, social network systems and cloud computing environments, distributed and sharable data are growing explosively. Recently, as a data analysis and mining technique for extracting, analyzing and classifying the inherent an...
Based on the internet-based infrastructures such as various information devices, social network systems and cloud computing environments, distributed and sharable data are growing explosively. Recently, as a data analysis and mining technique for extracting, analyzing and classifying the inherent and useful knowledge and information, Formal Concept Analysis on binary or many-valued data has been successfully applied in many diverse fields. However, in formal concept analysis, there has been little research conducted on analyzing interval data whose attributes have some interval values. In this paper, we propose a new approach for classification of interval data based on the formal concept analysis. We present the development of a supporting tool(iFCA) that provides the proposed approach for the binarization of interval data table, concept extraction and construction of concept hierarchies. Finally, with some experiments over real-world data sets, we demonstrate that our approach provides some useful and effective ways for analyzing and mining interval data.
Based on the internet-based infrastructures such as various information devices, social network systems and cloud computing environments, distributed and sharable data are growing explosively. Recently, as a data analysis and mining technique for extracting, analyzing and classifying the inherent and useful knowledge and information, Formal Concept Analysis on binary or many-valued data has been successfully applied in many diverse fields. However, in formal concept analysis, there has been little research conducted on analyzing interval data whose attributes have some interval values. In this paper, we propose a new approach for classification of interval data based on the formal concept analysis. We present the development of a supporting tool(iFCA) that provides the proposed approach for the binarization of interval data table, concept extraction and construction of concept hierarchies. Finally, with some experiments over real-world data sets, we demonstrate that our approach provides some useful and effective ways for analyzing and mining interval data.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서, 본 논문에서는, 구간데이터를 다치속성의 값으로 갖는 데이터에 대한 데이터마이닝기법의 일종으로서, 형식개념기법을 기반으로 하는 분류기법을 제안한다. 구체적으로는, 구간데이터를 속성값으로 갖는 객체들에 대하여, 객체들 사이의 유사관계를 토대로, 형식개념분석기법을 확장⋅정의하여 구간값을 다치속성의 값으로 갖는 데이터에 적용가능한 새로운 분류기법을 제안한다.
본 논문에서 제안한 구간데이터테이블에 대한 유사관계를 기반으로하는 형식개념분석에 의한 분류기법의 유용성을 확인하기 위하여 실제 데이터를 대상으로 지원도구(iFCA)를 적용한 실험결과를 보고한다. 이 실험에서는, 문헌[13,14]에서 언급되어 있는 구간데이터(http://lhedjazi.
구체적으로는, 구간데이터를 속성값으로 갖는 객체들에 대하여, 객체들 사이의 유사관계를 토대로, 형식개념분석기법을 확장⋅정의하여 구간값을 다치속성의 값으로 갖는 데이터에 적용가능한 새로운 분류기법을 제안한다. 새로운 분류기법을 지원하기 위한 도구의 구축과 더불어서, 몇가지 실세계의 데이터를 토대로 실험을 수행하여, 본 논문에서 제안하는 분류기법의 유용성을 확인하고, 향후 연구과제에 대해서 설명한다.
제안 방법
구체적으로는, 구간데이터를 속성값으로 갖는 객체들에 대하여, 객체들 사이의 유사관계를 토대로, 형식개념분석기법을 확장⋅정의하여 구간값을 다치속성의 값으로 갖는 데이터에 적용가능한 새로운 분류기법을 제안한다.
본 실험에서는 실험데이터의 주요한 3가지 속성들(Price, Engine Capacity, Top Speed))에 대하여 구간속성값의 최소값과 평균값, 그리고 임의의 값을 각각 표9의 임계값θm집합I, II, Ⅲ으로 설정하여 분석을 수행하였다.
본 연구에서는 다양한 유형의 데이터로부터 유용한 지식과 정보를 추출하기 위한 데이터마이닝기법으로서, 구간데이터의 유사관계 #를 토대로 하는 형식개념분석기반의 분류기법을 제안하고, 이를 지원하는 도구(iFCA)를 개발하였다.
대상 데이터
com/useful-links에서 획득)중에서 자동차 관련데이터를 지원도구 iFCA의 입력으로 하였다. 이 실험에서 사용된 자동차관련데이터는 그림8과 같이, 33대의 자동차에 대하여 가격, 엔진성능, 최고속력 등의 7개 속성들({Price, Engine Capacity, Top Speed, Step, Length, Width, Height})이 구간값으로 주어졌다.
본 논문에서 제안한 구간데이터테이블에 대한 유사관계를 기반으로하는 형식개념분석에 의한 분류기법의 유용성을 확인하기 위하여 실제 데이터를 대상으로 지원도구(iFCA)를 적용한 실험결과를 보고한다. 이 실험에서는, 문헌[13,14]에서 언급되어 있는 구간데이터(http://lhedjazi.jimdo.com/useful-links에서 획득)중에서 자동차 관련데이터를 지원도구 iFCA의 입력으로 하였다. 이 실험에서 사용된 자동차관련데이터는 그림8과 같이, 33대의 자동차에 대하여 가격, 엔진성능, 최고속력 등의 7개 속성들({Price, Engine Capacity, Top Speed, Step, Length, Width, Height})이 구간값으로 주어졌다.
성능/효과
를 토대로 하는 형식개념분석기반의 분류기법을 제안하고, 이를 지원하는 도구(iFCA)를 개발하였다. 또한, 본 연구결과의 유용성을 확인하기 위하여 실제 구간데이터들에 대하여 지원도구iFCA를 적용함으로써, 구간값을 갖는 데이터에 대하여 다양한 형태의 군집화 및 분류체계를 구축할 수 있음을 확인할 수 있다. 특히, iFCA를 사용한 군집화 및 분류체계 구축에서는 임계값에 따라서 다양한 결과가 도출될 수 있으므로, 도구 사용자의 의도와 목적에 맞추어서 적절한 임계값을 설정해야만 효과적인 결과를 얻을 수 있다.
위에서 수행한 실험결과로부터, 각 속성의 임계값을 구간값의 최소값에 근접시키면 대략적인 분류체계를 추출할 수 있고, 평균값에 근접시키면 보다 세밀한 분류체계를 얻을 수 있었다. 따라서, 분류목적 및 정밀도에 알맞도록 적정한 임계값을 설정하도록 해야하며, 어떠한 속성에 어떤 정도의 임계값을 설정하느냐에 따라서 주어진 구간데이터에 대하여 다양한 분류체계를 구축할 수 있음을 알 수 있다.
따라서, 분류목적 및 정밀도에 알맞도록 적정한 임계값을 설정하도록 해야하며, 어떠한 속성에 어떤 정도의 임계값을 설정하느냐에 따라서 주어진 구간데이터에 대하여 다양한 분류체계를 구축할 수 있음을 알 수 있다. 특히, 기존의 형식개념기법[7]에서는 구간데이터를 분석하기 위한 이진화처리과정이 제공되고 있지 않으므로, 위의 실험데이터를 토대로 적절한 분류체계를 도출할 수 없으나, 본 논문에서 제안한 분류기법을 적용하면 그림9~11과 같은 다양한 분류체계를 얻을 수 있다.
후속연구
본 연구에서 제안한 데이터분석기법 및 지원도구는 일반적인 다치데이터의 분석에도 적용가능하며, 향후 여러가지 유형의 이진화기법들과 결합하여 다양한 유형의 데이터에 대한 군집화 및 분류체계화를 지원하는 종합적인 데이터분석기법으로 확장시켜서 데이터마이닝분야에서 유용하게 활용할 수 있을 것으로 기대한다.
질의응답
핵심어
질문
논문에서 추출한 답변
데이터마이닝이란 무엇인가?
특히, 거대한 데이터의 실시간 분석이 가능해지고 방대한 데이터로부터 다양한 분석을 통해 새로운 지식의 발견이 가능해짐에 따라서, 21세기 지식정보화 사회에서는 새로운 지식의 습득이 경쟁력의 원천이 되고 있고, 이를 뒷받침할 수 있는 다양한 기술들에 대한 관심이 높아지고 있다. 데이터마이닝(Data Mining)은, 방대한 양의 데이터에 함축적으로 내재되어 있는 관계, 패턴, 규칙 등을 찾아내서 모델화함으로써 유용하고 의미있는 정보들을 추출하기 위한 연구분야로서[1], 주로, 분류(Classification), 연관법칙추출(Association Rule Mining), 그리고 군집화(Clustering) 등과 같은 제반기법들에 관한 연구가 활발하게 진행되어 다양한 분야에서 활용되고 있다[2,3,4,5,6].
형식개념분석기법은 무엇을 제공해 주는가?
분류(Classification)기법의 일종으로서, 형식개념분석기법(Formal Concept Analysis)은 Ganter와 Wille[7]에 의해 창안되어, 데이터마이닝 분야 뿐만아니라, 온톨로지공학, 시맨틱 웹, 소프트웨어공학, 정보 검색, 그리고 의학 및 바이오인포메틱스 등, 다양한 분야에서 사용되고 있다[8,9]. 형식개념분석기법은 주어진 문제영역의 각 객체들(Objects)과 그들이 갖는 속성들(Attributes)로부터, 양쪽 집합의 요소들 사이에 내재되어 있는 갈루아 대응관계(Galois Connection)를 토대로 개념(Concept)이라는 지식기본단위로 추출하고, 개념들사이의 순서관계를 토대로 개념격자(Concept Lattice)를 구축함으로써 데이터의 분류와 군집화, 연관법칙의 추출 등과 같은 지식추출 및 표현, 그리고 추론을 위한 수학적인 모델을 제공해 준다.
형식개념분석기법에서 다양한 분석결과를 얻기 위해서는 주어진 데이터의 특성에 알맞은 다양한 해석기준을 제공할 필요가 있는데 그 이유는 무엇인가?
또한, 스케일은 다치속성을 갖는 데이터에 대한 분석기준이 되므로 형식개념분석기법을 적용하는 경우, 중요한 부가적 정보로서 이용된다. 즉, 다치속성을 갖는 데이터에 대한 이진화과정을 수행하는 과정에서 어떠한 유형의 스케일을 기준으로 설정하였는가에 따라서 상이한 이진테이터테이블이 구성되므로, 결과적으로 이진화과정에서 사용되는 스케일에 따라서 형식개념분석에서는 동일한 데이터에 대해서 다양한 분석결과를 얻을 수 있다. 따라서, 형식개념분석기법에서는 다양한 분석결과를 얻기 위해서는 주어진 데이터의 특성에 알맞은 다양한 해석기준(즉, 스케일)을 제공할 필요가 있다.
참고문헌 (15)
Pang-Ning Tan, Michael Steinbach, Vipin Kumar, "Introduction to Data Mining," Addison-Wesley, 2005.
Ngai, E.W.T., Hu, Y., Wong, Y.H., Chen, Y. & Sun, X. "The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature." Decision Support Systems 50, pp.559-569, 2010.
V. S. Verykios and E. Bertino and I. N. Fovino and L. P. Provenza and Y. Saygin and Y. Theodoridis, State-of-the-art in privacy preserving data mining, ACM SIGMOD Record, Vol. 1, No. 33, 2004.
Clifton Phua and Vincent C. S. Lee and Kate Smit h-Miles and Ross W. Gayler, "A Comprehensive Survey of Data Mining-based Fraud Detection Research," Artificial Intelligence Review, May 2005.
Thabtah, Fadi Abdeljaber, "A review of associative classification mining," Knowledge Engineering Review, Vol.22, No.1. pp.37-65, 2007.
Gerd Stumme, "Hierarchies of Conceptual Scales," Proceedings of Workshop on Knowledge Acquisition, Modeling and Management (KAW'99), 1999.
J. Poelmans, P. Elzinga, S. Viaene, G. Dedene, "Formal Concept Analysis in Knowledge Discovery: A Survey," ICCS2010, pp.139-153, 2010.
R. Cole, P. Eklund and D. Walker, "Using Conc eptual Scaling In Formal Concept Analysis For Knowledge And Data Discovery In Medical Texts," International Symposium on Knowledge Retrieval, Use, and Storage for Efficiency, pp.151-164, 1997.
Joachim H. Correia, "Relational Scaling and Databases," Proceedings of the 10th International Conference on Conceptual Structures, LNCS2393, 2002.
Lyamine Hedjazi and Joseph Aguilar-Martin and Marie-Veronique Le Lann, "Similarity-margin based feature selection for symbolic interval data," Pattern Recognition Letters, Vol.32, No.4, 2011.
De Carvalho, F.A.T., De Souza, R.M.C.R., Chavent, M., Lechevallier, Y., "Adaptive Hausdorff distances and dynamic clustering of symbolic interval data," Pattern Recognition 27, pp.167-179, 2006.
Quevedo, J., Puig, V., Cembrano, G., Blanch, J., Aguilar, J., Saporta, D., Benito, G., Hedo, M., Molina, A., "Validation and reconstruction of flow meter data in the Barcelona water distribution network." Journal of Control Eng. Practice 18, pp.640-651, 2010.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.