临床数据中挖掘关联规则算法的选用

对典型的挖掘关联规则的Apfiori算法和FP-growth算法进行比较分析．然后，结合临床数据的特点，建议在临床数据关联规则挖掘中采用FP-growth算法。     

基于关联挖掘的课程相关性模式研究

基于关联规则挖掘理论,采用经典Apriori算法,通过对某高校历届学生专业修读课程及考试成绩数据与规律、规则等的学习,发现了数据中隐藏的课程相关规则或模式.针对所产生的大量模式和规则进行兴趣度分析,提取出符合高校教学管理与改革需要的、更有效的课程相关规则,对指导当今高校学分制体系下学生选课、排课及学生个性化学业修读计划制订与实施等具有积极意义.     

关联规则在中医方剂数据集市中的应用

中医药学是中华民族的文化瑰宝,从古至今,积累了海量的数据,采用数据仓库和数据挖掘技术可以从中获得有价值的知识.本篇论文介绍了如何构建中医方剂数据集市,从而对中医药数据进行OLAP(联机分析处理),以及如何采用关联规则技术挖掘中医药数据,并取得了良好的实验效果.     

基于智能手机使用数据的用户行为提取与分析

智能手机已经成为个人行为的真实记录设备,对APP使用数据进行挖掘可以提取出用户的行为习惯.为了提取APP的使用关联模式,研究并提出基于数据挖掘的APP关联规则提取技术.首先,基于Android平台,开发APP状态数据收集平台;其次,对APP数据进行预处理;再次,基于Apriori算法,提出了APP关联规则挖掘算法;最后,应用真实个人APP使用数据,对提出的方法进行验证,实验结果证明本文提出的方法在APP关联规则挖掘中的可行性.     

教学评价信息数据挖掘中数据的转化和分析研究

数据挖掘就是从大量数据中,抽取隐含的,但又是潜在有用的关联信息和知识发现过程。其中关联规则(Association Rules)的挖掘是一个重要的问题,是大量数据中项集之间有趣的关联或相关联系。介绍了关联规则的概念,并将数据挖掘中的关联规则挖掘应用到教学评价中,从而得到一些对提高教学质量或水平的有用知识。     

文学课程兴趣影响因素的关联规则分析

依据问卷调查所得数据,借助Apriori算法,筛选影响学生文学课程兴趣的关联规则,结合当前文学教学现状进行规则分析。规则表明:对选读的处理方式、教材选编的时空维度以及评价方式对学习过程关注度等与课程兴趣最为相关。对规则的分析可知,可以利用以对位阅读法处理选读内容、以跨文化交流视野统领教材编写、以形成性与终结性评估相结合的认知诗学路径构建评价体系,来提高学生的课程兴趣。     

相关分析方法在数据约简中的应用

采用计算机专业课的学生成绩数据构建了数据仓库,利用相关分析技术对数据仓库中专业课程之间的相关程度进行了分析,根据相关系数对数据库中的属性进行约简,并用实例介绍了这一方法的步骤,旨在为提高教学质量提供科学依据,为课程之间的关联规则挖掘做准备.     

改进的AprioriTid算法在试卷质量评估中的应用

在试卷质量评估中结合定量和定性分析,探讨了如何利用数据挖掘方法中的关联规则算法对学生成绩数据进行关联规则挖掘,并引入改进的AprioriTid算法来分析试卷各项定量评价指标与总体定性评价之间的关系.结果表明改进的AprioriTid算法能对试卷质量作出科学的分析且具有较高的效率.     

一种基于反区分矩阵的多维关联规则挖掘方法

针对多维数据集的关联规则挖掘,提出了一种基于反区分矩阵的方法.首先由数据集同步得出区分矩阵和反区分矩阵,然后根据区分矩阵进行属性约简,再根据反区分矩阵找出约简后的频繁项集,最后给出关联规则.通过区分矩阵和反区分矩阵将属性约简和关联规则挖掘联系起来,减少了计算步骤,且算法只需扫描数据集一次,避免了繁琐的连接操作.应用实例表明该算法是一种合理有效的关联规则挖掘方法.     

应答型数据的关联规则挖掘算法

分析了关联规则传统挖掘方法在应答型数据应用领域中的不足,定义出应答试题与应答者的信息量度量策略,在此基础上提出一种新的基于信息量的关联规则挖掘算法.     

关联规则挖掘Apriori算法研究

随着收集和存储在数据库中的数据规模越来越大,人们对从这些数据中挖掘出相应的联知识愈来愈感兴趣,关联规则一个典型的应用实例就是市场购物分析.本文介绍了关联分析的概念Apriori算法及其改进技术,对Apriori算法地优缺点进行了评价.     

关联规则算法的研究及其在教学评价中的应用

对Apriori关联算法进行了研究和改进,对算法改进前后的性能进行了比较,结果表明改进后的算法比Apriori算法的执行效率高;并以学生评教为例,对以往大量数据进行关联分析,建立了基于预处理关联规则的评价指标体系,为教学评价的科学性提供了有力依据.     

基于关联规则的课程拓扑排序研究

针对现有的计算机辅助教学评价系统不能充分有效利用数据为教学服务的缺点,提出了应用于课程拓扑排序的关联规则挖掘的算法,来发现专业开设课程之间的相关度,以便科学地设置课程.     

关联规则挖掘中Apriori算法的改进

介绍了一种关联规则挖掘中Apriori算法的改进算法.这种方法允许数据近似匹配模式,从而提高模式的整体支持度.这种方法对含有空缺数据的关联规则挖掘同样有用,使得空缺数据也能增加模式的支持度.最后,用样例数据库来说明了改进算法的效用.     

基于SQL分层抽样的数据挖掘算法的改进

在对数据库聚类分析的基础上进行分层抽样,并使用关联规则,得出了数据之间的潜在关系.同时,对网民健身情况调查数据进行了实证分析,在SQL Server 2005上实现了抽样后的关联规则挖掘,提高了关联的效率,并取得了良好的效果.另外,对关联规则的评估作了一定的改进创新.     

序列数据关联维的计算及意义

用混沌动力学研究所提出的方法，可以从观测数据重建系统的演变规则。该文采用时序数据重建复杂系统动力学特征的方法，运用关联维的概念，求取了位移时序资料的分维，对关联维的意义进行了探讨，定量揭示了盆地演化过程中表现出的混沌动力学特征。通过对等距离序列数据关联维的分析，表明非线性动力学方法可以广泛应用于地质问题的研究之中。     

异质数据集关联规则挖掘

针对存在的关联规则挖掘算法不能有效地在异质数据集中进行,本文首先使用领域本体方法处理数据集中的异质现象,然后提出了一种有效的XML异质数据集关联规则挖掘算法,实验结果表明该算法在挖掘速度和挖掘时在对内存的占用方面都优于现有的算法。     

关联规则兴趣度挖掘在选课中的应用探讨

高校信息化的选课系统积累了大量"闲置"的选课数据,如何把这些"闲置"数据利用起来为高校服务成了教学管理人员需要解决的问题。为了解决"闲置"选课数据的问题,对关联规则兴趣度挖掘在选课中的应用开展了分析讨论。使用Visual FoxPro语言编写了选课数据分析软件,并对选课数据进行挖掘分析,找出不同专业类型的学生对不同类型课程的偏好,为教师指导学生选课具有重要意义。     

基于压缩数据集的挖掘算法研究

关联规则挖掘是数据挖掘领域中一个非常重要的研究课题。本文对压缩数据的关联规则挖掘进行研究,提出了挖掘算法,与传统的关联规则挖掘算法相比,本算法不但效率高,而且具有较好的伸缩性。     

属性受限状态下低维冗余聚类数据快速挖掘方法研究

针对传统数据挖掘方法存在挖掘精度低、速度慢、占用内存多而不适于实际应用等缺点,提出一种属性受限状态下低维冗余聚类数据挖掘方法。通过计算低维冗余聚类数据的支持度,把低维冗余聚类数据挖掘问题转变成频繁项集挖掘问题;利用支持度与可信度对关联规则产生结果进行评价,并添加属性对其进行限制,以减少无用规则的产生。通过属性位复用方法建立候选区域,产生关联规则集,对符合关联规则集的低维冗余数据进行聚类,实现对其挖掘。实验结果表明,通过所提方法对属性受限状态下低维冗余数据进行挖掘,挖掘速度快,结果可靠。