A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

On Identifying Useful Patterns to Analyze Products in Retail Transaction Databases Sobre a identificação de padrões úteis para analisar produtos em bancos de dados de transações de varejo

Unil YUN

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A mineração de padrões correlacionados em grandes bancos de dados de transações é uma das tarefas essenciais na mineração de dados, uma vez que um grande número de padrões geralmente é extraído, mas é difícil encontrar padrões com a correlação. A análise de dados necessária deve ser feita de acordo com os requisitos da aplicação real específica. Nas abordagens de mineração anteriores, padrões com afinidade fraca são encontrados mesmo com um suporte mínimo alto. Neste artigo, sugerimos mineração de padrões de afinidade de suporte ponderado, na qual uma nova medida, a confiança de suporte ponderada (ws-confidence), é desenvolvida para identificar padrões correlacionados com a afinidade de suporte ponderada. Para podar eficientemente os padrões de afinidade fraca, provamos que a medida de confiança ws satisfaz as propriedades anti-monótonas e de suporte ponderado cruzado que podem ser aplicadas para eliminar padrões com níveis de suporte ponderados diferentes. Com base nas duas propriedades, desenvolvemos um algoritmo de mineração de padrões de afinidade de suporte ponderado (WSP). Os padrões de afinidade de suporte ponderados podem ser úteis para responder às questões de análise comparativa, como encontrar conjuntos de itens contendo itens que fornecem níveis de despesas totais de vendas semelhantes com uma faixa de erro aceitável α% e detectar listas de itens com níveis semelhantes de lucros totais. Além disso, nosso estudo de desempenho mostra que o WSP é eficiente e escalável para mineração de padrões de afinidade de suporte ponderados.

Publicação
IEICE TRANSACTIONS on Information Vol.E92-D No.12 pp.2430-2438
Data de publicação
2009/12/01
Publicitada
ISSN online
1745-1361
DOI
10.1587/transinf.E92.D.2430
Tipo de Manuscrito
PAPER
Categoria
Data Mining

autores

Palavra-chave