臺灣博碩士論文加值系統

使用資料庫知識發掘 (Knowledge Discovery in Database, KDD) 可以幫助人們從資料中採掘出有用的資訊，而資料採礦 (Data Mining) 則為 資料庫知識發掘中一個步驟。目前資料採礦有許多策略可供人們使用，其目的為產生有意義或目的之規則以供人們能對於資料特徵進行診斷或預測，本研究選定資料採礦之「關聯法則 (Association rule) 」策略，以找出項目集間的關聯。關聯法則中之規則分別有布林關聯法則、數量化關聯法則以及模糊關聯法則，本研究中將使用模糊關聯法則作為規則之類型。模糊關聯法則中需要模糊邏輯，其目的為了幫忙人們對於帶有數量之項目進行語意上的對映，即為於資料庫之量化項目上使用模糊邏輯中之語意表示項目之量質，一個形容量質的語意則代表一個項目之隸屬函數們 (Membership Functions, MFs)，對於每一個項目而言都擁有屬於自己的隸屬函數，而何種隸屬函數為合適之隸屬函數，由重覆率、覆蓋率以及模糊支持度決定對於一個項目中所有的隸屬函數是否能提供較佳的語意。

摘要 本研究使用基因演算法 (Genetic Algorithm, GA) 結合區域搜尋 (Local Search, LS) ，在此稱之為 GA+LS，並提出基於結構類型個體表述來進行演化，結構類型個體主要是將隸屬函數集合 (MFs) 表示方式拆解為數值與結構兩大部份。因 MFs 於傳統演化必須滿足本身之排序限制，若將 MFs 拆解成兩部份，則對於數值部份僅需考慮 MFs 端點值即可；而 LS 針對 MF 之結構做區域搜尋，以求得較佳之 MF 結構，可解決傳統個體表述無法針對相同數值下找尋更好結構的問題。

摘要 實驗部份則是使用醫療病患之資料，將病患之各種身體訊息定義為資料庫中之項目，使用傳統基因演算法與 GA+LS 兩種不同方法做資料採礦。

1 緒論......8
1.1 資料庫知識發掘......8
1.2 資料庫知識發掘與資料採礦......9
1.3 資料採礦......12
1.4 問題描述......15
2 文獻探討.......17
2.1 關聯法則......17
2.2 基因演算法......21
2.3 模糊集合......24
3 研究方法......27
3.1 以基因演算法演化隸屬函教......27
3.2 個體表述(Representation)......28
3.2.1 結構類型表述(Structure Type)......29
3.3 適應值與選拔......32
3.4 變動運算子......33
3.5 區域搜尋......33
3.6 採礦架構......34
4 實驗結果與討論......36
4.1 實驗資料......36
4.2 參數設定......36
4.3 實驗討論......37
4.3.1 中醫能量資料......37
4.3.2 UCI 乳癌資料......41
5 結論與未來展望......45
A 結構類型總覽......46
B GA 與 GA+LS 於中醫實驗資料 (N=10)......54
C GA 與 GA+LS 於中醫實驗資料 (N=200)......59
D GA 與 GA+LS 於 UCI 乳癌實驗資料 (N=10)......64
Bibliography......69

[1]R.AgrawalandR.Srikant.Fastalgorithmsforminingassociationrules.InProc.20thInt.Conf.VeryLargeDataBases(VLDB),pages487–499.MorganKaufmann,1994.
[2]RakeshAgrawal,TomaszImielinski,andArunN.Swami.Miningassocia-tionrulesbetweensetsofitemsinlargedatabases.InPeterBunemanandSushilJajodia,editors,Proceedingsofthe1993ACMSIGMODInternationalConferenceonManagementofData,1993.
[3]A.E.EibenandJ.E.Smith.IntroductiontoEvolutionaryComputing.Nat-uralComputing.Springer-Verlag,Berlin,2003.
[4]U.Fayyad,G.Piatetsky-Shapiro,andP.Smyth.Fromdataminingtoknowl-edgediscoveryindatabases.AiMagazine,17:37–54,1996.
[5]UsamaM.Fayyad,GregoryPiatetsky-Shapiro,andPadhraicSmyth.Fromdataminingtoknowledgediscovery:Anoverview.InAdvancesinKnowledgeDiscoveryandDataMining,pages1–34.1996.
[6]PaulFreibergerandDanielMcNeill.Fuzzylogic.
[7]Tzung-PeiHong,Chun-HaoChen,Yeong-ChyiLee,andYu-LungWu.Genetic-fuzzydataminingwithdivide-and-conquerstrategy.IEEETrans.EvolutionaryComputation,12(2):252–265,2008.
[8]Tzung-PeiHong,Chan-ShengKuo,andSheng-ChaiChi.Miningassociationrulesfromquantitativedata.Intell.DataAnal,3(5):363–376,1999.
BIBLIOGRAPHY70
[9]BingLiu.WebDataMining:ExploringHyperlinks,Contents,andUsageData.Data-CentricSystemsandApplications.Springer,2007.
[10]G.Piatesky-Shapiro,R.Brachman,W.Klösgen,andE.Simoudis.Anoverviewofissuesindevelopingindustrialdataminingandknowledgedis-coveryapplications.pages89–95,1996.
[11]R.RoigerandM.W.Geatz.DataMining:ATutorialBasedPrimer.AddisonWesley,2003.
[12]RamakrishnanSrikantandRakeshAgrawal.Miningquantitativeassociationrulesinlargerelationaltables.SIGMODRecord(ACMSpecialInterestGrouponManagementofData),25(2):1–12,1996.
[13]KiriWagstaff,ClaireCardie,SethRogers,andStefanSchroedl.ConstrainedK-meansclusteringwithbackgroundknowledge.InProc.18thInternationalConf.onMachineLearning,pages577–584.MorganKaufmann,SanFran-cisco,CA,2001.
[14]UCIrvineMachineLearning,http://archive.ics.uci.edu/ml/.
[15]尹相志. Microsoft SQL server 2005 Data Mining 資料採礦與 Office 2007 資料採礦增益集. 精誠資料, 2007.
[16]蘇木春, 張孝德. 機器學習：類神經網路、模糊系統以及基因演算法則. 全華科技, 1999.