A Data Analysis Approach for Evaluating the Behavior of Interestingness Measures
A Data Analysis Approach for Evaluating the Behavior of Interestingness Measures
复制标题
评估兴趣度测量行为的数据分析方法
DOI：
10.1007/11563983_28
复制
发表时间：
2005
期刊：
影响因子：
--
通讯作者：
H. Briand
中科院分区：
文献类型：
--
作者：
H. Huynh;F. Guillet;H. Briand
近年来，发现数据集中存在的不同方面的问题吸引了许多作者在知识质量领域的KDD。以关联规则的形式发现知识已经成为一个重要的研究方向。最困难的问题之一是发现了大量的关联规则，因此不容易为给定的数据集选择最佳的关联规则或知识。针对给定的兴趣度度量集，提出了利用兴趣度度量或兴趣度度量的匹配性质来选择最佳规则的方法。在本文中，我们提出了一种新的方法来发现存在于数据集中的兴趣度量的集群。我们的方法是基于对兴趣度度量之间计算的距离的评估。我们使用两种技术：凝聚层次聚类（AHC）和围绕中心点的分区（PAM），以帮助用户以图形方式评估兴趣度度量的行为。
In recent years, the problem of finding the different aspects existing in a dataset has attracted many authors in the domain of knowledge quality in KDD. The discovery of knowledge in the form of association rules has become an important research. One of the most difficult issues is that an enormous number of association rules are discovered, so it is not easy to choose the best association rules or knowledge for a given dataset. Some methods are proposed for choosing the best rules with an interestingness measure or matching properties of interestingness measure for a given set of interestingness measures. In this paper, we propose a new approach to discover the clusters of interestingness measures existing in a dataset. Our approach is based on the evaluation of the distance computed between interestingness measures. We use two techniques: agglomerative hierarchical clustering (AHC) and partitioning around medoids (PAM) to help the user graphically evaluates the behavior of interestingness measures.
尝试利用 T 结肠造影中大肠突起病变的分形分析来诊断恶性肿瘤
DOI：
--
发表时间：
2022
期刊：
影响因子：
--
作者：
間宮悠;栃木透
通讯作者：
栃木透