• 한국지능시스템학회논문지
• /
• 제10권3호
• /
• pp.232-241
• /
• 2000

본 연구는 대량의 데이터에서 효율적으로 최적 규칙을 발견하기 위해 개념 계층과 정보 이득 및 라프셋 이론에 딕반한 통합 방법을 제시하고,이를 최적 규칙 발견 시스템으로 구현한다. 본 방법은 데이터베이스에 있는 데이터에서 일반화된 지식을 추출하기 위한 속성중심의 개념 상승 기법과 불필요한 속성 및 속성값을 제거하기 위한 지식 감축 기법을 적용하며, 최적 규칙의 도출을 위해 속성의 중요도를 사용한다. 본 시스템은 먼저, 속성값 개념의 일반화에 의해 종복 튜플을 제거함으로써 데이터 베이스의 크기를 줄이고, 결정속성에 뎡향을 주지않는 조건속성을 제거하여 간략화된 최적 규칙을 유도한다.그리고 실제 데이터에 적용하여 결정 규칙을 유도하고 그 규칙을 새로운 데이터에 테스트햐 봄으로써 새로운 데이터에도 잘 적용됨을 보인다.

• 정보처리학회논문지D
• /
• 제8D권3호
• /
• pp.203-210
• /
• 2001

본 논문에서는 저장 데이터베이스의 정보 시스템을 정제하여 새로운 객체를 근사 추론하기 위한 규칙 생성에 관한 연구이다. 이 때 많은 수의 규칙 생성은 의사결정자로 하여금 직관적인 판단을 어렵게 하며 의사 결정 시 부가되는 시간적인 단점도 있다. 그러므로 본 논문에서는 확률적 러프 이론에 기반하여 규칙을 최대한 간결화 하는 데 주안점을 두었다. 제안하는 알고리즘은 러프 이론에 기반한 최적 리덕트를 생성하는 과정에 확률적 개념을 도입하여 리덕트 생성에서부터 어느 정도의 허용치를 부여함으로써 기존의 규칙 생성 알고리즘의 근사 결정 규칙을 보다 간결하게 표현할 수 있다. 이 과정에서 제안한 확률적 최소 리덕트 생성 알고리즘은 기존의 리덕트를 더욱 작게하여 추론에 필요한 조건 속성의 수를 최소화하였고 이는 확률적 근사 결정 규칙의 생성 과정에서 시간 복잡도에 따른 시간을 줄일 수 있다. 제안된 알고리즘을 이용하여 패턴 분류 문제에 표준적으로 사용되는 IRIS 데이터와 Wisconsin Breast Cancer 데이터에 대해 실험하였으며 허용된 분류율 하에서 규칙의 수와 간결함의 정도를 기존 알고리즘과 비교하였다.