1. IntroductionClassification is an

1. Introduction
Classification is an important task in data mining, which
aims to predict the classes of future data objects. In
classification, one builds a model (set of rules) from a group
of classified training data objects in order to forecast the classes
of previously unseen data objects. The data set used to learn the
model is known as the training data set and the data set used to
measure the quality of the model is known as the test data set.
Association rule discovery is another important task in data
mining, which aims to find the correlations among items in a
transactional database. These correlations are represented as
simple rules, i.e.X!Y, which can be used to guide strategic
decisions related to product shelving, sales promotions,
marketing, and planning[1,8,21]. The main difference between
association rule discovery and classification is that there is no
class to predict in the former, whereas in the latter, the ultimate
goal is to predict the class labels of test data objects.
Classification techniques such as rule induction and cover-ing[3,4], derive the most obvious class correlated to a rule and
simply ignore the other classes. They consider building the
classifier in a heuristic way. Once a rule is created, all training
data objects associated with it are removed, and thus a training
object is covered by only one rule. Hence, these approaches
usually produce small sized classifiers. In the last few years a
new hybrid approach that uses association rule discovery
methods to build classifiers called associative classification
(AC), has been proposed [9,10,17]. AC is a promising
classification approach, which has been shown to build more
accurate set of rules than traditional classification approaches
[2,9,10,15,20].
Association rule discovery approaches consider the correla-tion among all possible items in a transactional database and
therefore, rules generated share training objects. In other words,
a single transactional data object is allowed to be used in the
production of multiple association rules. Since, AC approach
uses association rule discovery methods to discover rules, the
derived rules in the classifier share training data objects as well.
This results in rules dependency where some rules depend upon
other higher ranked rules in the classifier. Another more
important problem that could result from rules sharing training
objects is that classes associated with many rules learned during
the training phase are not the most accurate ones.

Kết quả (Việt) 1:

1. giới thiệu
phân loại là một nhiệm vụ quan trọng trong khai thác dữ liệu, mà
nhằm mục đích để dự đoán các lớp học của các đối tượng dữ liệu trong tương lai. Ở
phân loại, một trong xây dựng một mô hình (bộ quy tắc) từ một nhóm
của dữ liệu phân loại đào tạo các đối tượng để thời các lớp học
trước đây unseen dữ liệu đối tượng. Tập hợp dữ liệu được sử dụng để tìm hiểu các
mô hình được gọi là tập hợp dữ liệu đào tạo và tập hợp dữ liệu được sử dụng để
thước đo chất lượng của các mô hình được gọi là tập hợp dữ liệu thử nghiệm.
Hiệp hội quy tắc khám phá là một nhiệm vụ quan trọng trong dữ liệu
khai thác mỏ, nhằm mục đích tìm thấy tương quan giữa các mục trong một
giao dịch cơ sở dữ liệu. Các mối tương quan được đại diện như
quy tắc đơn giản, i.e.X!Y, mà có thể sử dụng để hướng dẫn chiến lược
quyết định liên quan đến sản phẩm kệ, bán hàng khuyến mãi,
tiếp thị, và lập kế hoạch [1,8,21]. Sự khác biệt chính giữa
Hiệp hội quy tắc khám phá và phân loại là là có không
lớp để dự đoán trong trước đây, trong khi năm sau đó, cuối cùng
mục tiêu là để dự đoán các nhãn lớp của bài kiểm tra dữ liệu đối tượng.
phân loại kỹ thuật chẳng hạn như quy tắc cảm ứng và bao gồm-ing [3,4], lấy được rõ ràng nhất lớp tương quan đến một quy tắc và
chỉ đơn giản là bỏ qua các lớp học khác. Họ xem xét việc xây dựng các
loại một cách heuristic. Một khi một quy tắc được tạo ra, tất cả đào tạo
dữ liệu các đối tượng liên kết với nó được loại bỏ, và do đó một đào tạo
đối tượng được bao phủ bởi chỉ có một quy tắc. Do đó, các phương pháp tiếp cận
thường sản xuất máy phân loại kích thước nhỏ. Trong vài năm qua một
cách tiếp cận mới hybrid sử dụng Hiệp hội quy tắc khám phá
Các phương pháp để xây dựng các máy phân loại được gọi là kết hợp classification
(AC), đã là đề xuất [9,10,17]. AC là hứa hẹn một
cách tiếp cận phân loại, mà đã được chứng minh để xây dựng thêm
các thiết lập chính xác của các quy tắc hơn phương pháp tiếp cận truyền thống phân loại
[2,9,10,15,20].
Hiệp hội quy tắc khám phá phương pháp tiếp cận xem xét correla-tion trong số tất cả các mục có thể trong một cơ sở dữ liệu giao dịch và
do đó, quy tắc tạo ra các đối tượng đào tạo chia sẻ. Nói cách khác,
một đối tượng dữ liệu giao dịch duy nhất có thể được sử dụng trong các
sản xuất nhiều hiệp hội quy tắc. Kể từ khi, phương pháp tiếp cận AC
sử dụng Hiệp hội quy tắc khám phá phương pháp để khám phá các quy tắc, các
các quy tắc có nguồn gốc ở loại chia sẻ đào tạo dữ liệu đối tượng như là tốt.
điều này dẫn đến quy tắc phụ thuộc nơi một số quy tắc phụ thuộc vào
khác cao hơn xếp hạng quy định trong loại. Khác hơn nữa
vấn đề quan trọng mà có thể là kết quả của quy tắc chia sẻ đào tạo
đối tượng là các lớp học liên quan đến nhiều quy tắc học được trong
giai đoạn đào tạo không phải là những chính xác nhất.