Fuzzy association rule mining framework and its application to effective fuzzy associative classification
Notice bibliographique
Résumé
Abstract Classification is a technique widely and successfully used for prediction, which is one of the most attractive features of data mining. However, building the classifier is the most challenging part of the process, which proceeds into testing the classifier to check its effectiveness. This article introduces a classification framework that integrates fuzzy association rules into the learning process of machine learning techniques. The integrated framework involves three major components. First, we employ multiobjective optimization twice to decide on the fuzzy sets and then optimize their ranges to extract a set of interesting fuzzy association rules. Second, we use a special subset of the extracted fuzzy association rules, namely, fuzzy class association rules, for building a set of new feature vectors that measure the compatibility between the rules and the given data objects. Third, we train a classifier on the generated feature vectors to predict the class of unseen objects. Most of the earlier algorithms proposed for mining fuzzy association rules assume that the fuzzy sets are given. However, the fuzzy association rule mining component of the proposed framework uses an automated method for autonomous mining of both fuzzy sets and fuzzy association rules. For this purpose, first fuzzy sets are constructed by using a multiobjective genetic algorithm based clustering method for determining and optimizing the membership functions of the fuzzy sets. Then, a method is applied to extract interesting fuzzy association rules. Further, the proposed framework integrates a new layer to the learning process of the machine learning algorithm by constructing the compatibility rule‐based feature vectors; this satisfies the aim of better understandability. Once used by the learning algorithm, the compatibility feature vectors represent a rich source of discrimination knowledge that can substantially impact the prediction power of the final classifier. The experimental study and the reported results show the efficiency and effectiveness of our framework for benchmark datasets. In order to further demonstrate and evaluate the applicability of the proposed method to a variety of domains, it is utilized for the task of gene expression classification as well. © 2011 John Wiley & Sons, Inc. WIREs Data Mining Knowl Discov 2011 1 477–495 DOI: 10.1002/widm.40 This article is categorized under: Technologies > Association Rules Technologies > Classification
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».