The implementation processes of the

The implementation processes of these approaches are often similar. Firstly, a complete set of class association rules
(CARs) is mined from the training dataset. Then, a subset of CARs is selected to form the classifier. However, the complete set of CARs is often very large as it contains many redundant or insignificant rules. These useless rules not only waste storage
space and decrease the performance of a classifier, but they also have a negative affect on decision-making.
To solve this problem, effort has been devoted to pruning redundant rules or ranking rules. The typical case of redundant
rules is rule cover [36], where a rule is redundant if it is covered by others. The concept of sub-rules has been developed
[23,29,39]. Another approach for pruning redundant rules to analyze the relations between rules with respect to objects
was proposed by Liu et al. [24]. The authors used the Galois connections between objects and rules to determine the dependent
relationships among rules. Their study showed that one rule is equivalent to another if they are supported by the same
objects. Besides pruning strategies, some researchers have reported that ranking mechanisms are also important for CAR
mining in associative classification since they directly affect classification accuracy. Therefore, several rule ranking
approaches have been developed Li and Cercone [19] applied rough set theory to discover and rank significant rules
Najeeb et al. [26] proposed a hybrid approach for rule ranking based on an evolutionary algorithm Cai et al. [8] ranked
the interestingness of rules within an equivalent rule group for gene expression classification using two proposed interestingness
measures called Max-Subrule-Conf and Min-Subrule-Conf Chen et al. [9] improved the performance of an associative
classifier by rule prioritization. They proposed the MLRP algorithm, which re-ranks the execution order of CARs using rule
priority to reduce the influence of rule dependence.
Although rule pruning and rule ranking approaches can help to eliminate redundant rules and obtain important rules,
improving classifier performance, there has been little success with regard to discovering interesting or useful rules from
an end user’s point of view. In the real world, end users often consider the rules whose rule consequences contain one particular
class. For example, while analyzing HIV/AIDS data, epidemiologists often concentrate on the rules whose rule consequences
are HIV-Positive. Similarly, while mining banking data, bank loan officers often pay attention to the rules that
classify a loan applicant into the ‘‘risky’’ class. Under this context, the present study proposes a novel and fast method for
mining CARs with consideration of class constraints.
The contributions of this paper are stated as follows:
(1) A novel tree structure called the Novel Equivalence Class Rule tree (NECR-tree) is proposed for efficiently mining CARs
with class constraints. Each node in NECR-tree contains attribute values and their information.
(2) Some theorems for quickly pruning nodes that are unable to generate rules satisfying the class constraints are
developed.
(3) A novel and efficient algorithm for mining constrained CARs based on the provided theorems is presented.
The rest of this paper is organized as follows. In Section 2, some preliminary concepts of CAR mining are briefly given.
Section 3 discusses work related to constrained association rule mining and CAR mining. The main contributions of the paper
are presented in Section 4, in which the novel tree structure, called NECR-tree, is presented, and some theorems for eliminating
unnecessary tree nodes are provided. The proposed algorithm for mining CARs with consideration of class constraints
is also presented. Experimental results are discussed in Section 5. The conclusions and ideas for future work are given in Section 6

Kết quả (Việt) 1:

Quá trình thực hiện các phương pháp tiếp cận là thường giống nhau. Trước hết, một bộ hoàn chỉnh các hạng Hiệp hội quy tắc(Chiếc xe) được khai thác từ bộ dữ liệu đào tạo. Sau đó, một tập hợp con của xe ô tô được chọn để tạo thành loại. Tuy nhiên, các thiết lập hoàn chỉnh của chiếc xe là thường rất lớn vì nó có nhiều quy tắc dự phòng hoặc không đáng kể. Những quy tắc vô dụng không chỉ lãng phí lưu trữkhông gian và giảm hiệu suất của một loại, nhưng họ cũng có một ảnh hưởng tiêu cực về việc ra quyết định.Để giải quyết vấn đề này, nỗ lực đã được dành để cắt tỉa dự phòng quy tắc hoặc quy tắc xếp hạng. Trường hợp điển hình của dự phòngquy tắc là quy tắc trải [36], nơi một nguyên tắc là dư thừa nếu nó được bao phủ bởi những người khác. Khái niệm về tiểu quy tắc đã được phát triển[23,29,39]. một cách tiếp cận cho cắt tỉa các quy tắc dự phòng để phân tích các mối quan hệ giữa các quy tắc đối với các đối tượngđã được đề xuất bởi lưu et al. [24]. Các tác giả sử dụng các kết nối Galois giữa các đối tượng và quy tắc để xác định phụ thuộc vàomối quan hệ giữa quy tắc. Nghiên cứu của họ cho thấy rằng một quy tắc là tương đương khác nếu họ được hỗ trợ bởi cùng mộtcác đối tượng. Bên cạnh chiến lược cắt tỉa, một số nhà nghiên cứu đã báo cáo rằng cơ chế Xếp hạng cũng rất quan trọng cho xe hơikhai thác mỏ trong phân loại kết hợp kể từ khi họ trực tiếp ảnh hưởng đến phân loại chính xác. Vì vậy, một số quy tắc xếp hạngphương pháp tiếp cận đã phát triển Li và Cercone [19] ứng dụng thô lý thuyết tập hợp để khám phá và xếp hạng đáng kể quy tắcNajeeb et al. [26] đề xuất một cách tiếp cận hybrid cho quy tắc xếp hạng dựa trên một thuật toán tiến hóa Cai et al. [8] được xếp hạnginterestingness quy tắc trong một nhóm các quy tắc tương đương để biểu hiện gen phân loại bằng cách sử dụng hai đề xuất interestingnessCác biện pháp được gọi là Max-Subrule-Conf và Min-Subrule-Conf Chen et al. [9] cải thiện hiệu suất của một kết hợploại bởi quy tắc ưu tiên. Họ đề xuất các thuật toán MLRP, tái xếp thứ thứ tự thực hiện của các xe ô tô bằng cách sử dụng quy tắcưu tiên để giảm ảnh hưởng của phụ thuộc vào quy tắc.Mặc dù cắt tỉa quy tắc và quy tắc xếp hạng phương pháp tiếp cận có thể giúp đỡ để loại bỏ các dự phòng quy tắc và có được quy định quan trọng,cải thiện hiệu suất loại, đã có rất ít thành công đối với khám phá thú vị hoặc hữu ích quy tắc từmột người dùng cuối của quan điểm trên. Trong thế giới thực, người dùng cuối thường xem xét các quy tắc mà hậu quả quy tắc chứa đặc biệtlớp. Ví dụ, trong khi phân tích dữ liệu phòng chống HIV/AIDS, epidemiologists thường tập trung vào các quy tắc mà hậu quả quy tắclà HIV dương tính. Tương tự như vậy, trong khi khai thác dữ liệu ngân hàng, ngân hàng cho vay sĩ quan thường phải quan tâm đến các quy tắc màphân loại một nộp đơn vay tiền vào lớp '' nguy hiểm ''. Trong bối cảnh này, nghiên cứu hiện nay đề xuất một cuốn tiểu thuyết và các phương pháp nhanh nhấtkhai thác mỏ xe ô tô với việc xem xét lớp ràng buộc.Sự đóng góp của bài báo này được phát biểu như sau:(1) một cấu trúc cây cuốn tiểu thuyết được gọi là cây tiểu thuyết tương đương lớp cai trị (NECR-cây) được đề xuất cho hiệu quả và khai thác mỏ xe ô tôwith class constraints. Each node in NECR-tree contains attribute values and their information.(2) Some theorems for quickly pruning nodes that are unable to generate rules satisfying the class constraints aredeveloped.(3) A novel and efficient algorithm for mining constrained CARs based on the provided theorems is presented.The rest of this paper is organized as follows. In Section 2, some preliminary concepts of CAR mining are briefly given.Section 3 discusses work related to constrained association rule mining and CAR mining. The main contributions of the paperare presented in Section 4, in which the novel tree structure, called NECR-tree, is presented, and some theorems for eliminatingunnecessary tree nodes are provided. The proposed algorithm for mining CARs with consideration of class constraintsis also presented. Experimental results are discussed in Section 5. The conclusions and ideas for future work are given in Section 6

Kết quả (Việt) 2:

Các quy trình thực hiện các phương pháp này thường tương tự. Thứ nhất, một bộ hoàn chỉnh các luật kết hợp lớp
(CAR) được khai thác từ các tập dữ liệu huấn luyện. Sau đó, một tập hợp con của CAR được chọn để tạo thành các phân loại. Tuy nhiên, các bộ hoàn chỉnh các CAR thường là rất lớn vì nó có chứa nhiều quy tắc dư thừa hoặc không đáng kể. Những quy định này vô dụng không chỉ lưu trữ chất thải
không gian và làm giảm hiệu suất của một bộ phân loại, nhưng họ cũng có một ảnh hưởng tiêu cực về việc ra quyết định.
Để giải quyết vấn đề này, nỗ lực đã được dành để cắt tỉa quy dự phòng hoặc các quy tắc xếp hạng. Các trường hợp điển hình của dự phòng
quy tắc là quy tắc cover [36], trong đó một nguyên tắc là không cần thiết nếu nó được bao phủ bởi những người khác. Khái niệm về tiểu tắc đã được phát triển
[23,29,39]. Một cách tiếp cận để tỉa bớt các quy tắc dự phòng để phân tích mối quan hệ giữa các quy định đối với các đối tượng với
đã được đề xuất bởi Liu et al. [24]. Các tác giả đã sử dụng các kết nối Galois giữa các đối tượng và các quy tắc để xác định phụ thuộc vào
mối quan hệ giữa các quy tắc. Nghiên cứu của họ cho thấy một quy tắc là tương đương với nhau nếu chúng được hỗ trợ bởi cùng một
đối tượng. Bên cạnh chiến lược cắt tỉa, một số nhà nghiên cứu đã báo cáo rằng các cơ chế xếp hạng cũng rất quan trọng cho CAR
khai thác mỏ ở phân loại kết hợp kể từ khi họ trực tiếp ảnh hưởng đến độ chính xác phân loại. Do đó, một số quy tắc xếp hạng
các phương pháp đã được phát triển và Li Cercone [19] áp dụng lý thuyết tập thô để khám phá và xếp hạng quy tắc quan trọng
Najeeb et al. [26] đề xuất một phương pháp lai cho quy tắc xếp hạng dựa trên một thuật toán tiến hóa Cai et al. [8] xếp hạng
các lý thú của quy tắc trong một nhóm quy tắc tương ứng cho các gen phân loại biểu hiện sử dụng hai lý thú đề xuất
các biện pháp gọi là Max-Subrule-Conf và Min-Subrule-Conf Chen et al. [9] cải thiện hiệu suất của một kết hợp
phân loại theo nguyên tắc ưu tiên. Họ đề xuất các thuật toán MLRP, mà lại xếp thứ tự thực hiện các CAR sử dụng quy tắc
ưu tiên để giảm ảnh hưởng của quy luật phụ thuộc.
Mặc dù quy tắc cắt tỉa và loại trừ các phương pháp xếp hạng có thể giúp loại bỏ các quy định không cần thiết và có được quy tắc quan trọng,
nâng cao hiệu suất phân loại, có có được thành công ít quan tâm đến việc khám phá các quy tắc thú vị hoặc hữu ích từ với
quan điểm của một người dùng cuối của xem. Trong thế giới thực, người dùng thường xem xét các quy tắc mà hậu quả quy định cụ thể chứa một
lớp. Ví dụ, trong khi phân tích dữ liệu HIV / AIDS, dịch tễ học thường tập trung vào các quy định mà quy tắc hậu quả
là HIV dương tính. Tương tự như vậy, trong khi khai thác dữ liệu ngân hàng, cán bộ tín ngân hàng thường chú ý đến các quy tắc
phân loại một đơn vay vào '' nguy hiểm '' lớp. Dưới bối cảnh này, các nghiên cứu này đề xuất một cuốn tiểu thuyết và phương pháp nhanh chóng cho
CAR khai thác với việc xem xét những hạn chế về lớp.
Những đóng góp của bài báo này được ghi nhận như sau:
(1) Một cấu trúc cây mới được gọi là cây Novel tương đương lớp Rule (NECR-tree ) được đề xuất cho khai thác có hiệu quả CAR
với những hạn chế lớp. Mỗi nút trong NECR-cây có chứa các giá trị thuộc tính và thông tin của họ.
(2) Một số định lý để nhanh chóng cắt tỉa các nút mà không thể tạo ra quy tắc thoả mãn các ràng buộc lớp được
phát triển.
(3) Một cuốn tiểu thuyết và thuật toán hiệu quả cho CAR khai thác hạn chế dựa trên cung cấp các định lý được trình bày.
Phần còn lại của bài viết này được tổ chức như sau. Trong phần 2, một số khái niệm sơ bộ về khai thác CAR được cho một thời gian ngắn.
Phần 3 thảo luận về việc có liên quan đến nhiều hạn chế khai thác luật kết hợp và khai thác mỏ CAR. Những đóng góp chính của bài báo
được trình bày trong phần 4, trong đó các cấu trúc cây mới, được gọi là NECR-tree, được trình bày, và một số định lý để loại bỏ
các nút cây không cần thiết được cung cấp. Các thuật toán đề xuất cho khai thác mỏ CAR với việc xem xét các ràng buộc lớp
cũng được trình bày. Kết quả thí nghiệm sẽ được thảo luận trong phần 5. Các kết luận và những ý tưởng cho công việc trong tương lai được đưa ra trong mục 6