Pro asociační pravidla a proceduru 4ft-Miner jsou k dispozici tato témata:
Procedura 4ft-Miner pracuje s GUHA asociačními pravidly φ≈ψ a s podmíněnými GUHA asociačními pravidly φ≈ψ/χ. Zde φ, ψ a χ jsou booleovské atributy, ≈ je 4ft-kvantifikátor. Booleovský atribut φ se nazývá antecedent, ψ je sukcedent (konsequent) a χ je podmínka. Podrobnosti jsou uvedeny zde.
Je uvedeno několik typických příkladů aplikací procedury 4ft-Miner, které lze opakovat na vlastních datech bez podrobného studia náležitostí zadání.
Pro proceduru 4ft-Miner jsou popsány následující typové úlohy na hledání výjimek a odlišností:
Zpracování neúplné informace je jeden z důležitých problémů data mining. V souvislosti s metodou GUHA je tento problém řešen od sedmdesátých let minulého století, podrobnosti jsou zde. Důležitý je zabezpečený přístup k neúplné informaci který zaručuje, že když je vztah podle tohoto přístupu platný v dané matici dat s neúplnou informací, tak je tento vztah platný v každé matici dat která vznikne doplněním neúplné informace v analyzované matici.
Přístupy vyvinuté v souvislosti s metodou GUHA jsou implementovány v proceduře 4ft-Miner spolu s přístupem používaným v package arules systému R.
Porovnání zabezpečeného přístupu k neúplné informaci a přístupu používaného v arules je v článku Apriori and GUHA – Comparing two approaches to data mining with association rules, viz také příklad uvedený zde. Ukazuje se, že přístup dle arules vede ke zvýšení obvykle již dost vysokého počtu vystupujících pravidel. Pravidla, která jsou navíc však nemusí být ve skutečnosti pravdivá.
GUHA asociační pravidla jsou podstatně obecnější než „klasická“ asociační pravidla produkovaná algoritmem apriori. Důsledkem je možnost využití dedukčních pravidel, důležité příklady dedukčních pravidel jsou zde.
Korektní dedukční pravidla jsou používána pro optimalizaci běhu i výstupu procedury 4ft-Miner. Je možno zvolit, že do výstupu procedury budou zařazena pouze prostá pravidla, tedy taková, která neplynou z jiných, ve výstupu již uvedených a jednodušších pravidel.
Podrobnosti zadávání výstupu pouze prostých pravidel jsou zde.
S procedurou 4ft-Miner je spojen i výzkum možností práce s doménovou znalostí a s její automatizací. Ukázky jsou uvedeny zde a v článku Expert deduction rules in data mining with association rules: a case study.
Procedura 4ft-Miner pracuje s GUHA asociačními pravidly která jsou obecnější než asociační pravidla poskytovaná algoritmem apriori. S GUHA asociačními pravidly je spojena teorie observačních kalkulů. Procedura 4ft-Miner je implementována s využitím bitových řetízků pomocí jiného algoritmu než apriori, viz například tento článek. To vede k širším možnostem a také k jiným vlastnostem procedury 4ft-Miner ve srovnání s algoritmem apriori.
Populární implementací algoritmu apriori je arules package v systému R. Porovnání procedury 4ft-Miner a arules package na datech Adult je k dispozici zde. Podrobnější informace jsou v článku Apriori and GUHA – Comparing two approaches to data mining with association rules. Hlavní závěry uvedené v článku jsou: