| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Rekurzivna delitev modelov linearne regresije za oceno zanimivosti asociativnih pravil v različnih časovnih obdobjih
Avtorji:ID Hrovat, Goran (Avtor)
ID Štiglic, Gregor (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf DOK_Hrovat_Goran_2018.pdf (17,46 MB)
MD5: 96612E1B3371E81446C685219FA20198
PID: 20.500.12556/dkum/c4a4eb72-a398-4cdd-95bf-10088f694a8d
 
Jezik:Slovenski jezik
Vrsta gradiva:Doktorsko delo/naloga
Tipologija:2.08 - Doktorska disertacija
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis: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.
Ključne besede:podatkovno rudarjenje, mere zanimivosti, asociativna pravila, podpora odločanju, regresijsko dre-vo, linearna regresija, elektronski zdravstveni zapis
Kraj izida:Maribor
Založnik:[G. Hrovat]
Leto izida:2018
PID:20.500.12556/DKUM-70954 Novo okno
UDK:005.31:519.816(043.3)
COBISS.SI-ID:21567254 Novo okno
NUK URN:URN:SI:UM:DK:YDW2N6VZ
Datum objave v DKUM:12.07.2018
Število ogledov:2385
Število prenosov:185
Metapodatki:XML DC-XML DC-RDF
Področja:KTFMB - FERI
:
Kopiraj citat
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share



Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:22.06.2018

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Recursive partitioning of linear regression models to assess interestingness of association rules in different time periods
Opis: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.
Ključne besede:data mining, interestingness measures, association rules, decision support, regression tree, linear regression, electronic health record


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici