《データマイニング》のソースを表示

'''【でーたまいにんぐ (data mining) 】'''

　[[データマイニング]] (data mining)は, データベース}{データベース} (data base) [5] に蓄えられた大量の生データに対して, 機械学習 (machine learning)に関連する複数の手順を用いる戦略により, データに内在する規則性 (regularity), 制約 (constraint), ルール (rule)などを効率よく求める研究である. なお, データベースからの知識発見 (KDD: knowledge discovery in databases)とも呼ばれ, [[知識発見]] (knowledge discovery)に関わる多数の学習アルゴリズムが, 人工知能だけでなくデータベースや統計学の側面を含めて研究されている. 
まず, ノイズや例外を含み疎な構造をもつことも多い生データを対象としたデー
タマイニングに共通する知識発見の手順を(1)～(6)に簡単に示す
[1]. 

　【手順】

(1)対象となるデータに対する既知の性質(背景知識)を利用してデータ収集を行い, データベースや[[データウェアハウス]] (data warehouse)に格納する. (2)データに対する選択操作を前処理として行う. この段階はデータクリーニングと呼ばれる. (3)実装を前提とする制約のもとでデータの次元低減などによる変形操作を行う. (4)データマイニングを行うアルゴリズムを実行する. (5)導出された記述の解釈, ならびに, 記述の妥当性の検証を後処理として行う. (6)最終的な記述が評価され, 知識となる. 

　手順(4)のアルゴリズムで求まる知識の表現法によって, [[データの統計的解析]] (statistical analysis of data)と[[データの論理的解析]] (logical analysis of data)の二種類に大きく分類される. 

　データの論理的解析の一種である決定木}{決定木} (decision tree)を図1に示す. なお, 決定木を求めるアルゴリズムとしてID3 [4] などが知られており, エントロピーやMDL(minimum description length)基準が記述を選択する際に用いられる. 


\begin{footnotesize}
\begin{figure}[t]

\begin{center}
\begin{minipage}[t]{0.45\textwidth}
\vspace*{-4cm}
\begin{tabular}{|l||l|l|l|l|}
\hline
例 & 属性1 &属性2 & 属性3 & クラス \\ \hline \hline
例1 & 高 & 大 & 10 & 正 \\ \hline 
例2 & 高 & 大 & 3 & 正 \\ \hline 
例3 & 高 & 中 & 6 & 負 \\ \hline 
例4 & 高 & 中 & 2 & 正 \\ \hline 
例5 & 高 & 小 & 9 & 負 \\ \hline 
例6 & 低 & 大 & 7 & 正 \\ \hline 
例7 & 低 & 中 & 5 & 負 \\ \hline 
例8 & 低 & 中 & 4 & 正 \\ \hline 
\end{tabular}
\end{minipage}
\hspace*{9mm}
  \begin{minipage}[t]{0.45\textwidth}
  \includegraphics[scale=0.6]{0218-c-a-06-Tree.eps}
  \psbox[scale=0.6]{../c-a-06/Tree.eps}
  \end{minipage}
\caption{決定木を用いた概念学習の一例} \label{C-A-06+treedata}
\end{center}
\end{figure}
\end{footnotesize}

\begin{footnotesize}
\begin{figure}[h]
\begin{center}
\psbox[scale=0.6]{tree.ps}
\end{center}
\caption{決定木を用いた概念学習の一例} \label{C-A-06+treedata}
\end{figure}
\end{footnotesize}

　関係データベースの問合せ言語SQLのGroupBy操作の拡張として位置付けられる[[結合ルール]] (association rule)を求めるアルゴリズムの研究も数多い. 結合ルールを求めるために, 最小サポート(support)値と最小確信度(confidence)を定めるヒューリスティックな閾値が用いられる. なお, 最小閾値により多数のルール導出を制限するだけではなく, 新規性や興味深さの弱いルールを最大閾値で抑制することもある. また, 頻度の高い購買パターンを結合ルールが表すため, データベースマーケティング(database marketing)などをターゲットに, 計算機アーキテクチャを含めた効率良い実装が進んでいる. 

　その他, 多変量解析の手法を用いる[[クラスター分析]] (cluster analysis)や, 因果関係を表現する[[ベイズネットワーク]] (Baysian network)や, 論理的表現に対する帰納推論プログラミング(ILP: inductive logicprogramminge)などもアプローチの一つである. また, ルールの理解可能性を高める上で, ルールの[[視覚化]] (visualization)も欠かせない. 

　なお, ラフ集合(rough sets), ファジー理論(fuzzy theory), ニューラルネットワーク(neural network), 遺伝アルゴリズム(genetic algorithm)などの研究とも密接に関係している. 

　ところで, データマイニングの対象となるデータは, 航空会社, 銀行, クレジットカード会社, 電話, 保険などでのトランザクションだけではなく, WWWデータや医療データなどの異なる性質をもつデータも含まれる [2]. 特に, 学習データの種類が限定される場合, 地理データに対しては空間データマイニング(spatial data mining), 文書データに対してはテキストマイニング(text mining)などと呼ぶ. また, データマイニングに関連したシフトウェア(siftware)と呼ばれるソフトウェアの開発も盛んである. 

　なお, 良質な知識を発見するには, 複数のアルゴリズムを適用するだけではなく, データの前処理・ルールの後処理が重要となる. したがって, 実用化に向けて, 例えば, 各種情報システムを効果的に運用することを考えたデータ収集戦略を決定しなければならない. 



----

'''参考文献'''

[1] U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth and R. Uthurusamy, ''Advances in Knowledge Discovery and Data Mining'', AAAI/MIT Press, 1996.

[2] R. Michalski, I. Bratko and M. Kubat, ''Machine Learning and Data Mining, Methods and Applications'', John Wiley & Sons Ltd., 1998.

[3] J. Pearl, ''Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference'',
Morgan-Kaufmann, 1988.

[4] J. R. Quinlan, ''C4.5: Programs for Machine Learning'', Morgan Kaufmann Publishers, Inc., 1993.
古川康一監訳, 『AIによるデータ解析』, トッパン, 1995.

[5] J. D. Ullman, ''Principles of Database and Knowledge-Base Systems'', Vol.I, Vol.II, Computer Science Press, 1988.