Postprocessing Integration of Models in Knowledge Discovery

• Autorzy: Piotr Wojewnik , Ryszard Szupiluk , Tomasz Ząbkowski

Warianty tytułu

Integracja modeli jako postprocessing w odkrywaniu wiedzy

• Języki publikacji: EN

Abstrakty

EN

One of the key elements of information management is automated extraction о knowledge from data called Knowledge Discovery (KD). The KD techniques use ally aim at finding the previously unknown information that could be used fc business purposes such as fraud detection, client/ market segmentation, risk anal) sis, customer satisfaction and bankruptcy prediction. If the process of finding trends and patterns bases on large data set it is called Data Mining (DM). The methodology of DM modelling can follow the SEMMA procedure introduced b SAS consisting of the five steps: Sample, Explore, Modify, Model and Assess. The last stage of DM process and its modification is the point of interest of this article. Namely, instead of choosing the sole final model we propose to integrate the knowledge uncovered by the set of models. Such integration includes decomposition of the models results into statistically independent signals and receiving from them the one, that is the most similar to the predicted variable. Sue transformation can be done by means of Independent Component Analysis (IСА). (fragment of text)

Artykuł ma na celu przedstawienie metody integracji rezultatów wielu modeli. Jeśli powstają one w metodyce Data Mining, to zazwyczaj nie ma przesłanek do wyboru struktury, która najlepiej reprezentuje rozważane zależności. Konstruuje się kilka modeli, testuje je, a następnie "najlepszy" jest implementowany. "Najlepszy" oznacza, że jest to model dominujący pozostałe ze względu na pewne kryterium. Zauważmy jednak, że różne kryteria dotyczą odmiennych własności modeli i mogą wskazywać na różne rozwiązania jako optymalne. Aby uniknąć tego problemu, proponujemy dekompozycję i integrację modeli poprzez analizę składowych niezależnych (ang. Independent Component Analysis). Taka transformacja pozwoli uchwycić komponenty odpowiedzialne za jakość modeli. (abstrakt oryginalny)

Słowa kluczowe

EN

Knowledge; Data Mining

PL

Wiedza; Data Mining

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 2004
• Numer: nr 1027 Informatyka ekonomiczna : przegląd naukowo-dydaktyczny
• Strony: 169--175

Twórcy

autor

Piotr Wojewnik

• Szkoła Główna Handlowa w Warszawie; Polska Telefonia Cyfrowa Sp. z o.o.

autor

Ryszard Szupiluk

• Szkoła Główna Handlowa w Warszawie; Polska Telefonia Cyfrowa Sp. z o.o.

autor

Tomasz Ząbkowski

• Polska Telefonia Cyfrowa Sp. z o.o.

Bibliografia

• Akaike K., Information Theory and an Extension of the Maximum Likelihood Principle. 2nd International Symposium on Information Theory (ed.) B.N. Petrov, F. Csaki, Budapest, Akademiai Kiado, 267-281.
• Cichocki A., Amari S., Adaptive Blind Signal and Image Processing, John Wiley, Chichester, 2002.
• Cruces S., Cichocki A., Castedo L., An Iterative Inversion Method for Blitui Source Separation, I Proceedings of the 1st International Workshop on Independent Component Analysis and Blind j Signal Separation (ICA'99), pp. 307-312, Assois, France, January, 1999.
• Greene W.H., Econometric Analysis, NJ Prentice Hall, 2000.
• Groth R., Data Mining. Building Competitive Advantage, Prentice Hall Inc., Upper Saddle River, New Jersey 2000.
• Jolliffe I.T., Principal Component Analysis, Springer Verlag, July, 2002.
• Kennedy R.L. (Editor), Lee Y., Roy. B. Van, Reed C., Lippman R.P., Solving Data Mining Problems with Pattern Recognition Prentice Hall, December 1997.
• SAS System Help Enterprise Miner Release 4.1.
• Schwarz G., Estimating the Dimension of a Model. The Annals of Statistics 6, 461-471.
• Szupiluk R., Wojewnik P., Ząbkowski T., Independent Component Analysis as Postprocessing Stage in Data Mining. Schedae Informatica Jagiellonian University, Institute of Computer Science, (to be published, accepted in 11.2003).