제약 기반 연관 마이닝의 개념
데이터 마이닝 절차를 수행하면 주어진 데이터 집합에서 수천 개에 달하는 규칙을 발견할 수 있습니다. 그러나 그중 대부분은 사용자에게 무의미하거나 지루한 결과에 그치는 경우가 많습니다. 사용자는 어떤 '방향'으로 마이닝을 진행해야 흥미로운 패턴을 찾을 수 있는지, 그리고 어떤 '형태'의 패턴이나 규칙을 발견하고 싶은지에 대해 가장 잘 알고 있습니다.
따라서 효과적인 휴리스틱(heuristic) 방법은 사용자가 가진 직관이나 기대를 제약 조건(constraint)으로 정의하여 탐색 공간을 한정하는 것입니다. 바로 이 전략을 제약 기반 마이닝(constraint-based mining)이라고 부릅니다.
제약 조건이 탐색 공간을 줄이는 원리
제약 기반 알고리즘은 빈번한 아이템셋(frequent itemset) 생성 단계에서 제약 조건을 활용해 탐색 영역을 축소합니다. 연관 규칙 생성 단계 자체는 완전 탐색(exhaustive) 알고리즘과 동일하게 진행됩니다.
가장 일반적인 제약 조건은 최소 지지도(support) 임계값입니다. 만약 제약 조건에 적절한 성질이 부여되어 있다면, 마이닝 단계에 이를 포함시키는 것만으로도 탐색 공간을 크게 줄일 수 있습니다. 그 이유는 탐색 격자(lattice) 내부에 경계를 설정함으로써, 해당 경계 이후의 탐색이 불필요해지기 때문입니다.
제약 조건의 중요성은 명확합니다. 사용자가 관심을 가질 만한 연관 규칙만을 생성한다는 점입니다. 이 방법은 구현이 비교적 간단하며, 제약 조건을 만족하는 규칙만 남기므로 규칙 공간이 크게 축소됩니다.
제약 기반 클러스터링
제약 기반 클러스터링(constraint-based clustering)은 사용자가 정의한 선호 사항이나 제약 조건을 만족하는 클러스터를 발견하는 기법입니다. 제약 조건의 특성에 따라 다양한 접근 방식 중 하나를 채택하여 수행할 수 있습니다.
주요 제약 조건의 유형
마이닝 과정에서 활용할 수 있는 제약 조건은 다음과 같이 분류할 수 있습니다.
1. 지식 유형 제약(Knowledge Type Constraints)
마이닝을 통해 얻고자 하는 지식의 유형을 정의합니다. 예를 들어 연관(association) 분석 또는 상관(correlation) 분석 등이 여기에 해당합니다.
2. 데이터 제약(Data Constraints)
마이닝 작업과 관련된 데이터 집합을 정의합니다. 즉, 분석 대상이 되는 정보의 범위를 한정하는 역할을 합니다.
3. 차원/수준 제약(Dimension/Level Constraints)
마이닝에 사용할 데이터의 차원(또는 속성)이나 개념 계층(concept hierarchy)의 수준을 지정합니다.
4. 흥미도 제약(Interestingness Constraints)
규칙의 흥미도를 나타내는 수치적 척도에 대한 임계값을 정의합니다. 대표적인 척도로는 지지도(support), 신뢰도(confidence), 상관도(correlation) 등이 있습니다.
5. 규칙 제약(Rule Constraints)
발굴하고자 하는 규칙의 형태를 정의합니다. 이러한 제약은 메타규칙(metarule, 규칙 템플릿)으로 표현하거나, 규칙의 선행부(antecedent)와 후행부(consequent)에 나타날 수 있는 술어(predicate)의 최대·최소 개수로 지정하거나, 속성·속성 값·집계 값 간의 관계 형태로 정의할 수 있습니다.
제약 기반 마이닝의 장점
위와 같은 제약 조건들은 고급 선언적 데이터 마이닝 질의 언어(data mining query language)와 사용자 인터페이스를 통해 표현할 수 있습니다. 이러한 제약 기반 마이닝 방식은 사용자가 직접 발견하고 싶은 규칙을 정의할 수 있게 해주며, 그结果 데이터 마이닝 프로세스가 한층 효율적으로 동작합니다.
나아가 정교한 마이닝 질의 옵티마이저(mining query optimizer)를 활용하면 사용자가 정의한 제약 조건을 적극적으로 활용하여 마이닝 과정을 더욱 효과적으로 만들 수 있습니다. 결국 제약 기반 마이닝은 대화형 탐색 마이닝(interactive exploratory mining)과 분석을 촉진하는 강력한 방법론이라 할 수 있습니다.