[合规性检查方法-Precision3]基于对齐的精确度计算方法

最新推荐文章于 2024-05-31 14:58:09 发布

北冥有鱼zsp

最新推荐文章于 2024-05-31 14:58:09 发布

阅读量586

点赞数

分类专栏：流程挖掘知识文章标签：数据挖掘

本文链接：https://blog.csdn.net/qq_40420514/article/details/127153039

版权

流程挖掘知识专栏收录该内容

35 篇文章 67 订阅

订阅专栏

Wil van der Aalst于2012年提出了基于对齐（Alignment）的精确度计算方法，该方法中介绍了拟合度、精确度、泛化度和简单度四种质量维度的指标计算方法，下面我们将详细介绍精确度这一指标的计算方法。

1.背景介绍

前面部分我们已经介绍过基于对齐的拟合度计算方法，详情见 https://blog.csdn.net/qq_40420514/article/details/125424149，接下来我们将介绍基于对齐的精确度计算方法。

精确度指标的提出是为了避免模型欠拟合(Underfitting)。计算精确度的前提是假设任何模型M是确定性的，即给定一些执行序列 $\sigma \in \beta (M)$ ，模型M中只有一条对应的路径。换句话说，在模型中不能有两个具有相同标签的使能变迁。

2.方法思想

为了简化精度的定义，我们将事件日志视为唯一事件 $\varepsilon$ 的集合。此外，我们定义了以下函数e∈ $\varepsilon$ 和一些模型 $M=(S,S_I,S_F,A_M,T)$ ：

$start_M(e)\in S$ 是在事件e发生之前M中的状态。请注意，由于我们考虑了拟合度为1的预处理日志和确定性模型，因此可以导出该状态。

$context_L(e)\in A_M*$ 是事件e发生之前流程实例的活动前缀，即事件e之前发生的所有活动的序列。我们将此前缀称为e的上下文。

$en_M(e)\subseteq A_M$ 是在 $start_M(e)$ 中使能的活动集，即 $en_M(e)={a\in A_M|\exists s\in S(state_M(e),a,s)\in T}$ .

$en_L(e)\subseteq A_M$ 是在同一上下文中执行的一组活动，即 $en_L(e)={act(e')|e'\in\varepsilon\wedge context_L(e')=context_L(e)}$ .其中 $en_L(e) \subseteq en_M(e)$ ，因为我们仅针对拟合度为1的事件日志和确定性模型（相同的前缀总是导致相同的状态）。

每个事件e∈ $\varepsilon$ 隐式地指在执行E之前事件日志中的一个点。对于该点，我们可以计算模型 $en_M(e)$ 中使能活动的数量以及在类似上下文 $en_L(e)$ 下实际执行的观察活动的数量。这可用于定义以下精度概念：

如果实际观察到模型允许的所有行为，则precision（L，M）=1。通过计算所有事件的平均值，我们自动将频率考虑在内。如果模型有一个在频繁路径上启用的活动，但该活动从未执行，则这比沿不频繁路径启用的未使用活动更严重。

3.经典示例

可以根据上述定义计算得出，

precision(L,M1)= 0.97, precision(L,M2)=1;

precision(L,M3)=0.41, precision(L,M4)=1

4.工具实现

该方法已作为插件在ProM6 中实现，插件名为“Measure Precision/Generalization”。

参考文献：

Van der Aalst W, Adriansyah A, van Dongen B. Replaying history on process models for conformance checking and performance analysis[J]. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2012, 2(2): 182-192.

如需进行相关的了解或者交流，欢迎私信或者加入QQ群：