초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

다중데이터베이스 마이닝에서 하나의 데이터 집합을 형성하는 작업은 많은 부하가 따른다. 그러므로, 본 논문에서는, 가중치 거리를 이용한 클러스터링을 통해 관련성이 높은 데이터베이스를 식별하는 기법을 제안한다. 제안한 기법은 빈발한 항목으로 구성된 데이터 집합을 생성하여 데이터베이스 사이의 유사성과 거리를 측정하고 데이터베이스간의 거리에 대한 식별성을 향상시키기 위하여 최다 빈발항목에 대한 비교 연산을 통해 가중치를 산출한다. 그리고 성능평가를 통하여 제안한 기법이 Ideal&Goodness 기법보다 다중데이터베이스의 트랜잭션 데이터베이스에 대한 식별 능력이 우수함을 알 수 있었다.

다중데이터베이스 마이닝에서 하나의 데이터 집합을 형성하는 작업은 많은 부하가 따른다. 그러므로, 본 논문에서는, 가중치 거리를 이용한 클러스터링을 통해 관련성이 높은 데이터베이스를 식별하는 기법을 제안한다. 제안한 기법은 빈발한 항목으로 구성된 데이터 집합을 생성하여 데이터베이스 사이의 유사성과 거리를 측정하고 데이터베이스간의 거리에 대한 식별성을 향상시키기 위하여 최다 빈발항목에 대한 비교 연산을 통해 가중치를 산출한다. 그리고 성능평가를 통하여 제안한 기법이 Ideal&Goodness 기법보다 다중데이터베이스의 트랜잭션 데이터베이스에 대한 식별 능력이 우수함을 알 수 있었다.

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 방법
• 연구 결과

제안 방법

• 본 논문에서 제안하는 가중치 거리 연산을 위한 수행 절차는 다言과 갏다.
• 본 논문에서 클러스터링을 위한 가중치 거리 기법의 성능 평가를 위한 데이터 집합은 표 2와 같고, 다중데이터베이스 구성은 항목 값 범위와 트랜잭션 발생 순서를 고려하였다.
• 이러한 단점을 보완하고, 일반성을 최대한 고려하여 다중데이터베이스 마이닝을 위한 선처리 작업 단계로, 관련성이 높은 데이터베이스를 식별하기 위하여 거리에 대한 가중치를 이용한 클러스터링 기법을 제안한다.
• 따라서, 항목 수가 적은 경우 즉, 유사성이 높은 경우에 대한 Ideal&Goodness 기[3]의 결과는 데이터베이스간의 식별이 제대로 이루어지지 앛아 클러스터 수가 작게 나타난다. 제안한 기법은 유사한 항목이 발생하더라도 빈발 수에 따라 다중데이터베이스를 클러스터링하여 보다 관련성 높은 데이터베이스들로 클러스터를 형성한다.
• 제안한 기법은 항목집합을 포함한 다중데이터베이스에 대한 유사성을 식별하여 클러스터링 한다. 식별되어진 클러스터에 포함된 데이터베이스를 하나의 데이터 집합으로 구성한 후, 적합한 마이닝 알고리즘을 선택하여 적용하면 효율적인 마이닝 작업과 정확한 결과를 얻을 수 있다.

성능/효과

• 제안한 기법은 항목집합을 포함한 다중데이터베이스에 대한 유사성을 식별하여 클러스터링 한다. 식별되어진 클러스터에 포함된 데이터베이스를 하나의 데이터 집합으로 구성한 후, 적합한 마이닝 알고리즘을 선택하여 적용하면 효율적인 마이닝 작업과 정확한 결과를 얻을 수 있다. 제안한 기법은 유사한 항목으로 구성된 데이터베이스간의 식별이 가능하고 최다 빈발항목만을 고려한 비교연산의 수행이므로 실행시간이 단축된다는 특징이 있다.

후속연구

• 향후 연구방향으로는 빈발 1-항목집합에서 최다 빈발항목만을 고려하여 생성한 데이터 집합을 실수 값 범위에 있는 시간 데이터에 접목시켜 시간관계 유사성을 고려한 클러스터링 기법에 관한 연구로 확장하는 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기