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