Abstract
由於各種應用領域的資料庫快速地成長，資料數目大量地增加，許多有用 的知識隱含在資料庫中，使得資料庫中知識的學習與發現扮演愈來愈重要 的角色。本研究主要的目的即在醫學臨床資料中學習與發現其所隱含的知 識。資料庫的知識基本上可以從相依關係及叢集型式來擷取。真實世界的 資料庫中，通常會含有雜訊和資料遺失，而使得隱含在資料庫中的知識顯 得稀疏，知識學習和發現的工作也顯得很瑣碎。傳統的方法，包括概念形 成法及歸納學習法，通常會遭遇所處理的資料庫中含有雜訊的困難。粗略 集合中概略空間的概念可以幫助處理含有雜訊的情形，並且可以導出資料 庫中的相依關係，所以我們將使用這種粗略集合的觀念來導出資料庫中屬 性的相依關係，同時以這種相依關係為基礎，建構一個自動學習和發現的 模式來擷取資料庫中的規則。我們所使用的方法是以屬性為導向的，相較 於傳統機器學習的方法中以個體為導向的方法，所花費的計算時間少了許 多。我們以此建立學習和發現的模式，將之應用到臨床資料庫上，找出資 料屬性之間的相依關係，並根據此相依關係的結果，導出其中隱含的規則 。為使這些規則的結果能避免異常資料項目的影響，同時可以適應資料庫 中隨時的修改，每個規則皆附加計數值來記錄正確與不正確的筆數。最後 所得的結果並與ID3相比較。 Knowledge Learning and Discovery(KDD) plays an important role in varities of rapid growinglarge databases. The main interest of this researchis to learn and discover implicit implicative knowledge in clinical databases. Knowledge of databases can be extracted from dependency relationships and clustering patterns. Real world databases with vast amounts of growing data normally contain noise and missing values that make knowledge implied in databases generally sparse and nontrivival to discover. Traditional methods, including concept formation techniques and inductive methods, suffer the difficulties of handling noises in these databases. The approximation space concept of rough set theory can help to avoid noise conditions and rough set theory can deduce the dependency relationships in databases. We use the concept of rough set theory to compute the attribute dependency relations. Based on the dependency relations we construct a learning and discovery model to guide the automatic acquisition of rules. The methods we used are attribute-oriented that spend less efforts than traditional tuple-oriented machine learning methods. We build the learning and discovery model and apply in on the heart disease databases. Comparisons are conducted with Quinlan's ID3.