반응형 분류 전체보기143 [Mining Frequent Patterns, Associations, and Correlations] 2. 1.Constructing a FP-treeFP-tree(빈발 패턴 트리) 구축 절차는 다음과 같습니다:데이터베이스(DB) 스캔: 첫 번째로 데이터베이스를 스캔하여 빈발 1-아이템셋을 찾습니다.이 과정에서 각 아이템의 빈도수를 계산합니다.빈발 아이템 정렬: 찾아낸 빈발 아이템들을 그들의 빈도수에 따라 내림차순으로 정렬합니다.이렇게 하면 가장 빈번하게 발생하는 아이템이 리스트의 맨 앞에 오게 됩니다.FP-tree 구축: 데이터베이스를 다시 한 번 스캔하면서, 정렬된 빈발 아이템 순서에 따라 FP-tree를 구축합니다.각 트랜잭션은 정렬된 순서대로 트리에 추가되며, 이미 트리에 존재하는 경로는 공유하고, 새로운 아이템이 나타나면 새로운 노드를 추가하여 트리를 확장합니다.예를 들어, 최소 지지.. 2024. 4. 24. [Mining Frequent Patterns, Associations, and Correlations] 1.What is Frequent Pattern Analysis? 자주 발생 패턴 분석(Frequent Pattern Analysis)은 데이터 세트에서 자주 발생하는 패턴(아이템 집합, 부분 순서, 부분 구조 등)을 찾는 과정입니다. 이는 Agrawal, Imielinski, Swami에 의해 자주 발생하는 아이템셋과 연관 규칙 마이닝(context of frequent itemsets and association rule mining)의 맥락에서 제안되었습니다. 이 분석 방법은 데이터 마이닝의 중요한 부분으로, 대용량 데이터에서 의미 있는 정보를 추출하는 데 사용됩니다. 예를 들어, 소매업에서는 고객이 자주 함께 구매하는 상품 집합을 파악하여 판매 전략을 개선하거나, 의학 분야에서는 특정 질병의 발병.. 2024. 4. 24. [Finding Similar Items] 2. Locality Sensitive Hashing 1.Locality Sensitive Hashing (LSH) 지역 민감 해싱(Locality Sensitive Hashing, LSH)은 유사한 문서들의 짝을 찾는 과정에서 사용. 이 방법은 문서 간의 유사성을 효율적으로 찾기 위해, 유사할 가능성이 높은 signature 짝에 초점. LSH 과정. Shingling 문서에서 k 길이의 문자열 집합을 생성. 이 집합은 문서를 대표하는 집합으로, 문서의 내용을 기반으로 함. Min Hashing 생성된 문자열 집합을 기반으로 짧은 정수 벡터 형태의 signature 을 생성. 이 서명은 원래의 집합을 대표하며, 집합 간의 유사성을 반영. Locality Sensitive Hashing (LSH) Min Hashing을 통해 생성된 signature을 사용.. 2024. 4. 24. [Finding Similar Items] 1.What is the Most Similar Image? 가장 유사한 이미지 찾기란, 500만 개의 이미지 중에서 가장 유사한 이미지를 찾는 과제를 말합니다. 이는 장면 완성 문제(Scene Completion Problem)와도 관련이 있습니다. 장면 완성 문제는 이미지 조각들이 포함된 유사한 장면을 찾아내어 이미지를 설득력 있게 완성하는 것을 목표로 합니다. 이러한 과제들의 동기는 이미지를 픽셀 색상의 벡터로 표현할 수 있다는 점에 있습니다. 주요 도전 과제는 고차원 데이터 포인트 x1, x2, ... 등이 주어졌을 때, 가능한 한 효율적으로 유사성을 어떻게 측정할 것인가입니다. 이를 해결하기 위한 방법으로는 다음과 같은 접근 방식이 있습니다: 특징 추출(Feature Extraction): 이미.. 2024. 4. 23. 이전 1 ··· 19 20 21 22 23 24 25 ··· 36 다음 반응형