关联规则Apriori算法的改进

Apriori算法是关联规则提取的经典算法,但存在一些不足之处。关联算法的研究主要集中在提高Apriori算法的效率上。本文分析了该算法并进行了改进,使得频繁集产生的同时精简事务集。这种算法及时去掉了不必要的数据,减少了数据运算,从而使算法更优化。     

基于概念格和Apriori的关联规则挖掘算法分析

概念格通过概念的内涵和外延及泛化和例化之间的关系来表示知识,因而适用于从数据库中挖掘规则的问题描述;在概念格的内涵中引入等价关系并将其外延量化,得到量化概念格;利用量化概念格挖掘关联规则,与采用Apriori算法计算频繁项目集获取关联规则相比较,不需要计算频繁项目集,容易获得用户感兴趣的关联规则,同时减少了大量冗余的规则,提高了挖掘效率。     

挖掘关联规则Apriori算法的一种改进

本研究在对Apriori算法分析的基础上,提出了改进的Apriori算法。改进后的算法采用矩阵表示数据库,减少了扫描事物数据库的次数;利用向量运算来实现频繁项集的计数,同时及时地去掉不必要的数据,减少了数据运算,从而提高了算法的运行效率。     

关联规则Apriori算法的改进

针对Apriori算法存在多次扫描数据库及产生大量候选项集的缺陷,提出了一种改进算法.该算法只需扫描数据库一次,并将事务变换成二进制存储到数据库,可节省存储空间、提高速度.实验结果表明,改进算法挖掘关联规则的效率有较大提高.     

基于关联规则的数据挖掘研究

本文介绍了关联规则的概念,并通过一个例子说明了关联规则挖掘的一种算法－－Apriori算法,指出了数据挖掘未来研究的重点和方向。     

数据挖掘中关联规则挖掘算法的改进及其应用

对数据挖掘技术中经典的关联规则挖掘算法Apriori和AprioriTid进行了分析，针对其中不足，提取两种算法的优点，给出了算法的改进，并在贵州电力综合数据平台中进行了应用分析。     

基于关联规则的购物篮分析

关联规则研究有助于发现数据库中不同商品之间的联系。其分析结果可以应用于制定营销策略,寻求最佳的商品货架布局。从关联规则挖掘算法和关联模式的评估两方面对购物篮数据进行关联分析。     

一种基于串与运算的关联规则挖掘算法

提高频繁项集挖掘算法的效率一直是数据挖掘领域中关联规则挖掘研究的一个重点。Apriori算法是一种经典的最有影响的挖掘关联规则的算法，该算法虽然能有效地挖掘出关联规则，但是产生的冗余规则多，效率低下。针对数据挖掘的现状及关联规则算法的瓶颈问题，提出一种基于串与运算的关联规则挖掘算法，并对关联规则挖掘的未来研究方向进行了展望。     

数据挖掘中关联规则算法的研究及应用

针对Apriori和AprioriTid算法中存在的项集生成瓶颈问题,提出了一种基于事务集压缩、候选项集压缩和支持度布尔矩阵的改进AprioriTid算法.该算法中通过删去不必比较的事务来有效缩减数据集;优化频繁项集的自连接方式来减少生成的候选项集个数;使用支持度布尔矩阵来加快候选项集的验证速度.实验结果表明改进算法比原算法执行效率明显提高,同时也验证了该算法在油液监测故障诊断中的有效性.     

常见关联规则算法分析与比较

介绍了常见的10种关联规则算法：AIS算法、SETM算法、A州州算法等,并对各种算法的性能进行了分析比较．其中SETM算法效率最低,但和DBMS集成的最好,AVM算法效率最高,但只适用于布尔类型的关联规则．     

基于剪枝概念格模型的频繁项集表示及挖掘

发现频繁项集是关联规则挖掘的关键步骤。然而,大多数频繁项集求解算法因需要产生大量候选集而降低了效率。该文在研究概念格和频繁项集关系的基础上,将剪枝概念格PCL模型引入数据库中频繁项集的表示,利用概念间的关系性质,在不丢失信息的同时能有效压缩频繁项集的规模,并提出基于PCL模型的频繁项集求解算法。该算法基于Apriori性质,在构造过程中及时、动态地剪枝,删除与频繁项集求解无关的概念,从而有效地改善了频集挖掘算法的时空性能;实验证实了算法良好的性能。     

关联规则挖掘研究综述

介绍了关联规则挖掘的一般概念,并对一些典型算法进行了介绍,展望了关联规则挖掘的未来研究方向.     

关联规则更新的新算法

考虑事务数据库D不变,项目集I发生变化时的关联规则挖掘问题.提出了两种关联规则更新算法,解决增加项目或减少项目时的关联规则更新问题.与重新运行一遍Apriori算法相比较,其运行效率有显著提高.     

基于量化概念格的关联规则挖掘

在概念格的内涵中引入等价关系并将其外延量化 ,得到量化概念格。利用量化概念格可以清晰地表示知识 ,从而便于挖掘包括关联规则在内的多种规则 ,与经典的 A priori算法相比较 ,规则表示更简捷、直观 ,尤其重要的是用户可根据自己的兴趣交互地挖掘关联规则 ,不需要计算频繁项目集 ,因而提高了挖掘规则的效率 ,适用于大型数据库中关联规则的挖掘     

基于关联规则算法的研究

本文主要介绍了数据挖掘中的关联规则，分析了关联规则中的主要算法，包括Apriori算法、FP-Growth算法以及CRApriori算法，并且阐述了各种算法的主要特点。     

关联规则数据挖掘算法浅析

简要介绍了关联规则的概念及其基本思想,重点分析和讨论了两个挖掘关联规则的经典算法,即Apriori算法和分段算法。     

基于频繁2-项集的数量关联规则挖掘方法研究

关联规则挖掘方法自提出以来已有很多改进算法,但均局限于布尔关联规则的挖掘.已有的数量关联规则挖掘主要考虑了连续属性值离散化、最优的数量关联规则挖掘等问题,但存在过小支持度和过小置信度问题.研究了这一问题并提出了一个在频繁2-项集的基础上挖掘数量关联规则的改进算法.它不仅可以用于典型的购物篮分析,还可以用于购物篮分析不能完成的关联规则挖掘问题,如带数量的捆绑销售问题.     

挖掘关联规则中对Apriori算法的一个改进

针对关联规则中的Apriori算法进行研究,提出了Apriori—B新算法,此算法只需要对交易数据库进行1次搜索,能大量减少I／O次数,且内存开销适中,提高了数据挖掘的效率,具有一定的实用性。     

关联规则数据挖掘方法的研究

在数据挖掘技术中有很多研究领域,关联规则数据挖掘就是其中一个重要的研究方向,对它进行深入研究不仅有着重要的理论意义,而且有着极其重要的应用价值。分析和研究Apriori算法,针对该算法中存在的效率瓶颈问题,提出了一个改进的挖掘算法FDBM_Apriori算法,并实现了该算法。理论和实验证明,FDBM_Apriori算法具有良好的性能。     

一种关联规则Apriori算法的改进

关联规则Apriori算法自提出以来,有很多的改进算法,但大多是在改变最小支持度的大小,这样虽可提高Apriori算法的速度,但会漏掉一些有用的项集.本文结合以上问题,用一种科学的方法求出最小支持度,并在提取频繁项集的过程中动态地改变最小支持度的值,有效地解决了以上问题,提高了Apriori算法的效率.