×
周春安；Bonates，Tibérius O。；李，Chungmok；Chaovalitwingse，Wanpracha艺术

用于数据逻辑分析的多模式生成框架。 （英语） Zbl 1404.68097号

安·Oper。物件。 249，第1-2号，329-349（2017）.
摘要：数据逻辑分析（LAD）是一种基于规则的数据挖掘算法，使用组合优化和布尔逻辑进行二进制分类。其目标是构建一个由逻辑模式（规则）组成的分类模型，该逻辑模式从观察中捕获结构化信息。在LAD框架的四个步骤（二值化、特征选择、模式生成和模型构建）中，模式生成被认为是最重要的步骤。文献中主要研究了生成所有可能模式的组合枚举方法；然而，这些方法受到了模式生成的计算复杂性的影响，模式生成随着数据（特征）大小呈指数级增长。为了克服这个问题，最近的研究提出了基于列生成的方法来提高以最大利润为目标构建LAD模型的效率。有效地解决子问题以生成模式仍然存在困难。在本研究中，提出了一个新的列生成框架，其中开发了一种新的混合整数线性规划方法，以在每次迭代时生成子问题中具有最大覆盖率的多个模式。除了最大裕度目标之外，我们还提出了一个替代目标（最小模式），将LAD问题作为最小集覆盖问题来解决。提出的方法是根据加州大学欧文机器学习库的数据集进行评估的。与先前的LAD和其他众所周知的分类算法相比，计算实验提供了可比较的性能。

引用于4文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
90C09型 布尔编程
90C27型 组合优化

关键词：

数据的逻辑分析；组合优化；列生成；模式挖掘；分类

软件：

UCI-毫升；威卡；4.5条
PDF格式BibTeX公司 XML格式引用
\textit{C.-A.Chou}等人，Ann.Oper。第249号决议，第1-2329-349号（2017年；兹bl 1404.68097）
全文： 内政部

参考文献：

[1] Alexe，S.、Blackstone，E.、Hammer，P.L.、Ishwaran，H.、Lauer，M.S.和Snader，C.E.P.（2003）。通过数据逻辑分析预测冠心病风险。《运筹学年鉴》，19（1-4），15-42·Zbl 1026.62119号 ·doi:10.1023/A:1022970120229
[2] Alexe，G.、Alexe、S.、Liotta，L.A.、Petricoin，E.、Reiss，M.和Hammer，P.L.（2004）。通过蛋白质组数据的逻辑分析检测卵巢癌。蛋白质组学，4（3），766-783·doi:10.1002/pmic.200300574
[3] Alexe，G.、Alexe、S.、Axelrod，D.E.、Hammer，P.L.和Weissmann，D.（2005）。弥漫性大B细胞淋巴瘤的逻辑分析。医学中的人工智能，34（3），235-267·doi:10.1016/j.artmed2004.11.004
[4] Alexe，G.和Hammer，P.L.（2006）。数据逻辑分析的跨模式。离散应用数学，154（7），203-225。
[5] Alexe，S.和Hammer，P.L.（2006）。数据逻辑分析中模式检测的加速算法。离散应用数学，154（7），1050-1063·兹比尔1090.68095 ·doi:10.1016/j.dam.2005.03.032
[6] Alexe，G.、Alexe、S.、Bonates，T.O.和Kogan，A.（2007年）。数据逻辑分析——彼得·哈默的愿景。《运筹学年鉴》，149（1-4），265-312·兹比尔1126.68064
[7] Alexe，G.和Hammer，P.L.（2007）。数据逻辑分析中基于模式的判别法。生物医学中的数据挖掘，7，3-23。
[8] Alexe，G.、Alexe、S.、Hammer，P.L.和Kogan，A.（2008年）。数据逻辑分析中的综合分类器与可理解分类器。离散应用数学，156（6），870-882·Zbl 1142.62365号 ·doi:10.1016/j.dam.2005.02.035
[9] Barnhart，C.、Johnson，E.L.和Nemhauser，G.L.（1998年）。分支与价格：用于解决大型整数程序的列生成。运筹学，46（3），316-329·Zbl 0979.90092号 ·doi:10.1287/opre.46.3.316
[10] Bonates，T.O.（2007）。数据逻辑分析的优化。博士论文，罗格斯大学，RUTCOR。
[11] Bonates，T.O.、Hammer，P.L.和Kogan，A.（2008）。数据集中的最大模式。离散应用数学，156（6），846-861·Zbl 1140.68457号 ·doi:10.1016/j.dam.2007.06.004
[12] Boros，E.、Hammer，P.L.、Ibaraki，T.、Kogan，A.、Mayoraz，E.和Muchnik，I.（2000）。数据逻辑分析的实现。IEEE知识与数据工程汇刊，12（2），292-306·数字对象标识代码：10.1109/69.842268
[13] Breiman，L.（2001）。随机森林。机器学习，45（1），5-32·Zbl 1007.68152号 ·doi:10.1023/A:1010933404324
[14] Crama，Y.、Hammer，P.L.和Ibaraki，T.（1988）。因果关系和部分定义的布尔函数。《运筹学年鉴》，16（1），299-325·Zbl 0709.03533号 ·doi:10.1007/BF02283750
[15] Demiriz，A.、Bennett，K.P.和Shawe-Taylor，J.（2002年）。通过列生成增强线性编程。机器学习，46，225-254·Zbl 0998.68105号 ·doi:10.1023/A:1012470815092
[16] Dolan，E.D.和More，J.J.（2002）。使用性能配置文件对优化软件进行基准测试。数学规划，91（2），201-213·邮编：1049.90004 ·doi:10.1007/s101070100263
[17] Eckstein，J.、Hammer，P.L.、Liu，Y.、Nediak，M.和Simeone，B.（2002）。最大盒问题及其在数据分析中的应用。计算优化与应用，23（3），285-298·Zbl 1028.90039号 ·doi:10.1023/A：1020546910706
[18] Hall，M.、Frank，E.、Holmes，G.、Pfahringer，B.、Reutemann，P.和Witten，I.H.（2009）。weka数据挖掘软件：更新；sigkdd探索。SIGKDD探索，11（1），11-18·数字对象标识代码：10.1145/1656274.1656278
[19] Hammer，P.L.（1986）。因果关系的逻辑。在德国帕绍，通过基于运筹学的专家系统进行多属性决策国际会议上的演讲。
[20] Hammer，P.L.、Kogan，A.、Simeone，B.和Szedmák，S.（2004）。数据逻辑分析中的帕累托最优模式。离散应用数学，144（1），79-102·Zbl 1078.62504号 ·doi:10.1016/j.dam.2003.08.013
[21] Hammer，P.L.、Kogan，A.和Lejeune，M.A.（2010年）。逆向工程国家风险评级：一个组合非递归模型。《运筹学年鉴》，188（1），185-213·doi:10.1007/s10479-009-0529-0
[22] Hansen，P.和Meyer，C.（2011年）。用于数据逻辑分析的新列生成算法。《运筹学年鉴》，188，215-249·Zbl 1225.90175号 ·doi:10.1007/s10479-011-0850-2
[23] Haykin，S.（1998）。应用逻辑回归。新泽西州恩格尔伍德悬崖：普伦蒂斯·霍尔。
[24] Hosmer，D.W.和Lemeshow，S.（1989）。应用逻辑回归。纽约：Wiley·Zbl 0967.62045号
[25] Kogan，A。；马萨诸塞州勒琼；Lee，C-F（编辑）；Lee，AC（编辑）；Lee，J.（编辑），构建信用风险评级的组合方法，639-664（2010），纽约·doi:10.1007/978-0-387-77117-543
[26] Lauer，M.S.、Alexe，S.、Snader，C.E.P.、Blackstone，E.H.、Ishwaran，H.和Hammer，P.L.（2002）。使用数据逻辑分析方法评估运动心电图术后的长期死亡率风险。循环，106590-685·doi:10.1161/01.CIR.0000024410.15081.FD
[27] Lichman，M.（2013）。UCI机器学习库。http://archive.ics.uci.edu/ml。
[28] Quinlan，J.R.（1993）。C4.5：机器学习程序。马萨诸塞州伯灵顿：摩根·考夫曼。
[29] Reddy，A.、Wang，H.、Yu，H.，Bonates，T.O.、Gulabani，V.、Azok，J.等人（2008年）。急性缺血性卒中早期诊断的数据逻辑分析（lad）模型。BMC医学信息与决策，8（30）。
[30] Ryoo，H.S.和Jang，I.Y.（2009年）。数据逻辑分析中模式生成的MILP方法。离散应用数学，157（4），749-761·Zbl 1172.90010号 ·doi:10.1016/j.dam.2008.07.005
[31] Schökopf，B.和Smola，A.J.（2002）。使用内核学习：支持向量机、正则化、优化及其他。马萨诸塞州剑桥：麻省理工学院出版社。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。