[[alternative]]Mining unexpected patterns using decision tree with domain driven approach

博士[[abstract]]不可預期模式的有趣之處在於，它們與人的既有知識相悖或是出乎意料，所以可能可以提供一些不同的觀點給研究人員參考，並可用以對未來研究的內容與方向提出建議；因此，本研究將提出一個不可預期模式探勘模型，以找出與領域專家前導知識相違背之不可預期模式。傳統資料探勘的過程是強調以資料為中心的模式探勘，環境、人類經驗等等的因素經常是被過濾或是大量的簡化，較不考慮個別使用者的需求或是領域相關的知識。在本研究中是使用醫學上的經陰道超音波引導抽取術之追蹤資料進行分析，由於臨床研究的環境因素較為複雜，所以發展一個可以與使用者互動並將領域前導知識、領域限制及專家知識介入資料探勘過程的模型是很重要的。同時，因醫學資料中經常包含大量數值變數，而決策樹可以同時處理數值及類別型資料，本研究所提出之模型使用決策樹結合領域導向資料探勘中封閉迴圈、深入探勘的概念，比較不同治療方式的治癒率並挖掘不可預期模式。[[abstract]]Unexpected patterns are interesting because they are contrast with the prior knowledge or unexpected. Therefore, unexpected patterns may provide researchers with different vision for future research. In this study, we propose an unexpected pattern mining model to find patterns that contrast with the prior knowledge of domain users. Traditional data mining emphasizes data-centered mining for interesting patterns. During the data mining process, environmental factors are usually filtered or simplified. Individual user requirements and domain-related knowledge are less considered. In this study, we use retrospective data from transvaginal ultrasound-guided aspirations to conduct our analysis. Since clinical studies are conducted in complex environments, we believe that it is important to develop an interactive mining model that involves prior domain knowledge, constraints, and expert knowledge. Meanwhile, medical data usually contain plenty of continuous variables. Decision tree algorithms can deal with both continuous and categorical variables at same time. Therefore, the proposed model uses decision trees to compare the recovery rates of two different treatments. By applying the concept of domain-driven data mining, we repeatedly utilize decision trees in a closed-loop, in-depth mining process to find unexpected and interesting patterns.[[tableofcontents]]目錄 第1章 緒論 1 1.1 研究背景與動機 1 1.2 研究目的 9 第2章 相關文獻與研究 12 2.1 領域導向資料探勘 14 2.2 興趣性測量 20 2.3 決策樹演算法 24 2.4 子宮內膜異位症與治療 34 第3章 不可預期知識挖掘模型 44 3.1 不可預期知識挖掘系統架構 45 3.2 不可預期的節點與興趣測量 48 3.3 不可預期模式偵測演算法 53 第4章 實驗與討論 56 4.1 實驗材料 56 4.2 實驗1：酒精注入時間長短的治癒率比較 58 4.3 實驗2：術後有無搭配荷爾蒙藥物治療治癒率比較 64 第5章 結論 67 REFERENCE 70 圖目錄 圖 1–1 治療方式決策樹 7 圖 1–2 A治療成效決策樹 7 圖 1–3 B治療成效決策樹 8 圖 2–1 資料庫知識挖掘流程 16 圖 2–2 領域導向資料探勘流程 16 圖 2–3 興趣測量涉入資料探勘流程 20 圖 2–4 興趣測量分類 22 圖 2–5 藥物使用決策樹 27 圖 2–6 建構決策樹的基本演算法 28 圖 2–7 決策樹二元分割 33 圖 2–8 月經週期與子宮內膜變化 34 圖 3–1 不可預期知識挖掘系統架構 46 圖 4–1 比較酒精注入時間初始結果決策樹 59 圖 4–2 根據圖 4–1節點2條件選擇資料產生之決策樹 62 圖 4–3 根據圖 4–2節點1條件選擇資料產生之決策樹 63 圖 4–4 根據圖 4–2節點2條件選擇資料產生之決策樹 63 圖 4–5 比較術後有無搭配荷爾蒙藥物治療決策樹 65 表目錄 表 1–1 子宮內膜異位治療記錄 5 表 2–1 病患資料與藥物使用記錄 26 表 2–2 決策樹演算法比較 30 表 3–1 輸出欄位配置 48 表 4–1 決策樹分析使用欄位 57 表 4–2 圖 4–1潛在不可預期規則的興趣性測量 60 表 4–3 圖 4–4潛在不可預期規則的興趣性測量 63 表 4–4 圖 4–5潛在不可預期規則的興趣性測量 65[[note]]學號: 899410012, 學年度: 10