تعيين خودكار حداقل دامنه پشتيباني از قاعده در محيط فازي براي بهبود استخراج قواعد همباش با استفاده از الگوريتم اپريوري

Combines the Apriori and FCM Algorithm to Improve the Extracted Association Rules with Determine the Minimum Support Automatically

قواعد همباش (انجمني) يكي از محبوب ترين مدل هاي حوزه داده كاوي به‎شمار مي‎رود. در الگوريتم هاي كلاسيك حوزه قواعد همباش كاوي، مانند اپريوري، از حداقل دامنه پشتيبانيِ قاعده واحد استفاده مي شود؛ در حالي كه در رويكردهاي جديدي كه تلاش كرده اند الگوريتم-هاي كلاسيك را بهبود بخشند، مانند ام. اس. اپريوري، از حداقل دامنه پشتيبانيِ قاعده چندگانه استفاده مي شود كه در هر دو حالت، كاربر موظف است حداقل دامنه پشتيباني از قاعده را تعيين كند. در نظر بگيريد كاربر قصد اعمال الگوريتم اپريوري را بر پايگاه داده اي با ميليون ها تراكنش داشته باشد؛ به‎طور قطع كاربر نمي تواند دانش لازم را درباره تمام تراكنش هاي موجود در پايگاه داده داشته باشد، بنابراين نمي‎تواند حد آستانه مناسبي را تعيين كند. در اين پژوهش، براي اولين بار با استفاده از داده هاي فازي سازي شده و تكنيك ميانگين-گيري، روشي ارايه شده است كه در آن، الگوريتم اپريوري به صورت كاملاً خودكار حداقل دامنه پشتيباني از قاعده را تعيين مي كند. نتايج شبيه سازي شده روي نمونه‎اي واقعي نشان داد اين رويكرد عملكرد مطلوب تري نسبت به الگوريتم اپريوري كلاسيك دارد.

Association rules mining is one of the most popular data mining models. Single minimum support are used in classic association rules mining algorithms, like Apriori, while new approaches tried to promote classic algorithms, like MSapriori, use multiple minimum support. In both cases, the user has to specify the minimum support. Let’s say the user wants to apply Apriori algorithm on a database with millions of transactions. They can’t possibly have all the necessary knowledge about all the transactions in the database and thus cannot specify the minimum support. In this paper, using fuzzificated data and averaging techniques, we propose a method in which Apriori algorithm would specify the minimum support in a fully automated manner. The simulation results on a real example show that our approach works better than the classic Apriori algorithm.