Rekurzivna delitev modelov linearne regresije za oceno zanimivosti asociativnih pravil v različnih časovnih obdobjih

Zanimivosti asociativnih pravil ali pogostih množic postavk se lahko skozi cas spreminjajo. Prav tako je lahko njihova zanimivost razlicna za razlicne skupine (npr. skupine ljudi). V doktorski disertaciji je predstavljen nov algoritem za dolocanje zanimivosti asociativnih pravil in množic postavk v razlicnih casov¬nih obdobjih. Algoritem odkriva skupine pacientov, ki se glede na trend zanimivosti asociativnega pravila statisticno znacilno razlikujejo. Rezultat algoritma je odlocitveno regresijsko drevo, katerega povezave predstavljajo razlicne skupine pacientov, listi pa prikazujejo grafe z zanimivostmi asociativnega pravila ali množice postavk v razlicnih casovnih 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 razlicnih bolnisnic v Združenih državah Amerike. Predstavljeni algoritem predstavlja v tem primeru uporabno vrednost za bolnisnice, zavarovalnice, raziskovalne in ostale institucije, saj jih lahko odkrito znanje vodi do novih spoznanj in optimizacije poslovanja.