Feature selection by principle component analysis for mining frequent association rules

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F16%3A86099081" target="_blank" >RIV/61989100:27240/16:86099081 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-33609-1_9" target="_blank" >http://dx.doi.org/10.1007/978-3-319-33609-1_9</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-33609-1_9" target="_blank" >10.1007/978-3-319-33609-1_9</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Feature selection by principle component analysis for mining frequent association rules

Popis výsledku v původním jazyce

Data mining techniques have been increasingly studied. Extracting the association rules have been the focus of this studies. Recently research have focused on association rules to help uncover relationships between seemingly unrelated data in a relational database or other information repository. The large size of data makes the extraction of association rules hard task. In this paper, we propose a new method for dimension reduction and feature selection based on the Principal Component Analysis, then find the association rules by using the FP-Growth Algorithm. Experimental results reveals that the reduction technique can discover the same rules obtained by the original data. (C) Springer International Publishing Switzerland 2016.

Název v anglickém jazyce

Feature selection by principle component analysis for mining frequent association rules

Popis výsledku anglicky

Data mining techniques have been increasingly studied. Extracting the association rules have been the focus of this studies. Recently research have focused on association rules to help uncover relationships between seemingly unrelated data in a relational database or other information repository. The large size of data makes the extraction of association rules hard task. In this paper, we propose a new method for dimension reduction and feature selection based on the Principal Component Analysis, then find the association rules by using the FP-Growth Algorithm. Experimental results reveals that the reduction technique can discover the same rules obtained by the original data. (C) Springer International Publishing Switzerland 2016.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Advances in Intelligent Systems and Computing. Volume 450

ISBN

978-3-319-33608-4

ISSN

1615-3871

e-ISSN

—

Počet stran výsledku

11

Strana od-do

99-109

Název nakladatele

Springer

Místo vydání

Berlin

Místo konání akce

Soči

Datum konání akce

16. 5. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—