1 / 18

Spatial Association

Spatial Association. Spatial Association Rule. X → Y P 1  ..  P m → Q1  ..  Qn (c%) Los predicaat: 1-predicate Set van P 1 t/m P k : k-predicate. Support & confidence. sup(X → Y) de kans dat de implicatie voorkomt in de dataset conf(X → Y) = sup(X → Y) / sup(X).

terry
Télécharger la présentation

Spatial Association

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Spatial Association

  2. Spatial Association Rule • X → Y • P1 ..  Pm → Q1  ..  Qn (c%) • Los predicaat: 1-predicate • Set van P1 t/m Pk: k-predicate

  3. Support & confidence • sup(X → Y) • de kans dat de implicatie voorkomt in de dataset • conf(X → Y) = sup(X → Y) / sup(X)

  4. Sterkte van een regel • Sterk = relaties in een regel komen vaker voor • Sterk = hoge support en confidence • … maar hoe hoog?

  5. Minimum support/confidence • Input voor mining algoritme • Voor elk niveau in de hiërarchie • minsup[l] • minconf[l]

  6. Voorbeelden (1) • Spatial antecedenten, non-spatial consequent • is_a(x, house)  close_to(x, beach) → is_expensive(x) (85%)

  7. Voorbeelden (2) • (Non)-spatial antecedenten, spatial consequent • is_a(x, gas_station) → close_to(x, highway) (50%)

  8. Voorbeelden (3) • Combineren van support & confidence • is_a(A, large_town)  intersects(A,B)  adjacent_to(A, C) → is_a(B,motorway), C!=B, is_a(C,sea) (36%,80%

  9. Hiërarchieën (1) • Data structureren in spatial hierarchy • Efficiënter • Processing gaat ‘top-down’ • Progressief zoeken • (road (national_highway (A27, A2, …), provincial_highway (N238, N235, …), city_street (Oudegracht, Heidelberglaan, …), …), …)

  10. Hiërarchieën (2) water river sea lake Rijn Large lake Waddenzee Noordzee IJsselmeer

  11. ILP Algoritme (1) • Gebaseerd op ILP • Inductive Logic Programming • ‘feature extraction’ om een deductive database te krijgen • Logische variant van relational database

  12. ILP Algoritme (2) • Spatial observations • O[Amsterdam | Amsterdam]is_a(Amsterdam, large_town)intersects(Amsterdam, A2)intersects(Amsterdam, A10)close_to(Amsterdam, Schiphol)…

  13. ILP Algoritme (3) • O[Schiphol | Amsterdam]is_a(Schiphol, airport)intersects(Schiphol, A4)… • O[s] = O[s|s]  O[ri|s’]

  14. ILP Algoritme (4) • Twee subproblemen • Find large/frequent spatial patterns • Generate strong spatial association rules • Prunen

  15. Algoritme #2 (1) • Vindt sterke multi-level spatial association rules • Beperking zoekruimte • Relevant object set • Concept hierarchies • minsup/minconf

  16. Algoritme #2 (2) • Predicaten berekenen op hoog niveau (lage resolutie) • Prunen adhv minsup[1] • Overblijvende predicaten berekenen op lagere niveaus

  17. Algoritme #2 (3) • Alle k-predicates (voor alle k’s) berekenen • Prunen adhv minconf[l]

  18. Conclusie • Veel problemen • Schaalbaarheid • Ontbrekende data • Nog veel user input nodig • O.a. minsup/minconf • Aantal oplossingen • Maar niet eenduidig

More Related