排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
双重区间值聚类挖掘模型 总被引：1，自引：1，他引：0
提出了双重区间值聚类的数据挖掘模型：首先将每个属性的取值按照领域知识划分为若干类。接着统计每个类在各条“交易”中出现的频率(支持度)，最后再按照关联规则挖掘方法进行处理．这种区间值数据挖掘方法与传统的数据挖掘方法相比较，更有实用价值． 相似文献
2.
一种改进的负关联规则挖掘算法 总被引：6，自引：0，他引：6
负关联规则A→—B(或者-A→B,-A→B)描述的是项目之间的互斥关系,其与传统的关联规则有着同样重要的作用．然而,负关联规则和传统正关联规则的挖掘有很大不同,因为负关联规则隐藏在数量巨大的非频繁项集中．因此提出一种新的挖掘horn子句类型负关联规则的算法,并且实验证明是行之有效的． 相似文献
3.
利用项集有序特性改进Apriori算法 总被引：4，自引：2，他引：4
Apriori算法是挖掘关联规则的一个经典算法，通过分析、研究该算法的基本思想，并利用项集的有序特性对其进行改进，减少了生成的候选集数量，从而提高算法的效率． 相似文献
1