We have developed a relational approach (Relational Data Mining) to methods of data mining, and the Discovery software system which relaxes almost all restrictions peculiar to the KDD & DM techniques. The goal of this paper is to provide both theoretical and experimental comparisons of Discovery versus Microsoft Association Rules. We show that Discovery fits better for pattern detection and prediction tasks than the Association Rules, and, unlike the latter, it can detect knowledge in high-noised data such as financial time series.
Сравнивается система «Discovery» с алгоритмом Microsoft Association Rules. Показано, что система «Discovery» больше подходит для обнаружения закономерностей и прогнозирования, чем Association Rules, а также что она позволяет обнаруживать знания в сильно зашумленных данных, например финансовых.
