20.500.12556/DKUM-70954 Rekurzivna delitev modelov linearne regresije za oceno zanimivosti asociativnih pravil v različnih časovnih obdobjih Recursive partitioning of linear regression models to assess interestingness of association rules in different time periods Zanimivosti asociativnih pravil ali pogostih množic postavk se lahko skozi čas spreminjajo. Prav tako je lahko njihova zanimivost različna za različne skupine (npr. skupine ljudi). V doktorski disertaciji je predstavljen nov algoritem za določanje zanimivosti asociativnih pravil in množic postavk v različnih časov¬nih obdobjih. Algoritem odkriva skupine pacientov, ki se glede na trend zanimivosti asociativnega pravila statistično značilno razlikujejo. Rezultat algoritma je odločitveno regresijsko drevo, katerega povezave predstavljajo različne skupine pacientov, listi pa prikazujejo grafe z zanimivostmi asociativnega pravila ali množice postavk v različnih časovnih obdobjih. Pokazali smo tudi, da podpora pogoste množice postavk vpliva na kompleksnost zgrajenega regresijskega drevesa. Za demonstracijo smo uporabili elektronske zdravstvene zapise, zbrane v obdobju 15 let, ki predstavljajo odpuste pacientov iz različnih bolnišnic v Združenih državah Amerike. Predstavljeni algoritem predstavlja v tem primeru uporabno vrednost za bolnišnice, zavarovalnice, raziskovalne in ostale institucije, saj jih lahko odkrito znanje vodi do novih spoznanj in optimizacije poslovanja. Interestingness measures of association rules and frequent itemsets can change through time. Moreover their interestingness measure can also be different for different groups (e.g. groups of people). The doctoral dissertation presents a new algorithm for assessing the interestingness of association rules and itemsets in different time periods. The algorithm discovers groups of patients which statistically significantly differ depending on the trend of the interestingness of the association rule. The result of the algorithm is a decision regression tree where branches represent different patient groups with leaves representing interestingness of the association rule or itemset in different time periods. We have also shown that support of the itemset affects the complexity of the built regression tree. For the demonstration, we used electronic health records collected over a period of 15 years, representing patient discharges from various hospitals in the United States of America. In this case, the presented algorithm shows useful value for hospitals, insurance companies, research and other institutions, where discovered knowledge may leads to new insights and business optimization. podatkovno rudarjenje mere zanimivosti asociativna pravila podpora odločanju regresijsko dre-vo linearna regresija elektronski zdravstveni zapis data mining interestingness measures association rules decision support regression tree linear regression electronic health record true true false [G. Hrovat] Slovenski jezik Angleški jezik Doktorsko delo/naloga 2018-06-22 18:06:49 2018-07-12 07:59:12 2022-08-01 20:11:16 2019-07-11 18:25:24 2018 0 Maribor 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 005.31:519.816(043.3) 21567254 URN:SI:UM:DK:YDW2N6VZ DOK_Hrovat_Goran_2018.pdf DOK_Hrovat_Goran_2018.pdf 1 96612E1B3371E81446C685219FA20198 6e0f0d65fb56300c759ad8596f32c8b114d54f90335ed31aa2d8e19bd04b907a 1677dd32-7c10-11eb-bb7a-00155d0001ca 20.500.12556/dkum/c4a4eb72-a398-4cdd-95bf-10088f694a8d https://dk.um.si/Dokument.php?lang=slv&id=126337 Fakulteta za elektrotehniko, računalništvo in informatiko 0 0 0