一种基于信息增益的分类规则挖掘算法

提出了一种基于信息增益的分类规则挖掘算法.该算法主要包括决策树的构造、分类规则的提取、规则兴趣度度量3步.结合一个具体的例子,解释了使用该算法来挖掘分类规则的基本过程.     

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。     

基于数据立方体的维内关联规则挖掘算法

针对数据立方体的结构特点，结合联机分析处理技术，提出了两种基于数据立方体的维内关联规则挖掘算法，以合肥农河超市实际数据作为测试数据，给出了两种算法的实验结果，结果表明，两种算法在不同支持度情况下执行效率存在明显差异，分别适合在高支持度和低支持度情况下进行关联规则挖掘。     

一种基于信息表的关联规则挖掘方法

在Apriori算法中,需要多次扫描数据库,并且对候选集的支持度计算比较繁琐,本文利用等价关系的概念,在信息表上计算候选集的支持度计数并寻找频繁项集,且只需扫描数据库1次,提高了挖掘效率,同时保留了包含频繁项集的事务.     

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.     

基于模糊数值约束的关联规则挖掘

很多时候一个事务记录中所包含的信息除了项目以外,还包括与这些项目相关的数值信息,这些数值信息同样可以作为关联规则的一种约束而存在,基于上述问题,文中提出了一个基于模糊数值约束的关联规则挖掘方法,实验结果表明该方法具有较好的伸缩性。     

数据变化关联规则挖掘方法及算法

数据 中有许多数据是处于不断变化中的,对于这些数据,人们希望能对其未来的取值作出预测,预测的结果并不需要知道这些数据的具体取值,而只需得出一个变化范围,提出发现此类变化中关联规则的２种算法。     

基于遗传算法的农产品评价信息关联规则挖掘

随着农产品电子商务的飞速发展,各交易平台都储存了大量用户评价信息,挖掘这些信息中的强关联规则,可以发现其隐藏的价值。针对关联规则挖掘的经典算法—Apriori算法,在数据信息量庞大的情况下,效率低,运行时间长的不足,引入全局搜索算法—遗传算法,并对遗传算法进行改进,然后将该算法应用到某商务网站农产品评价信息中,挖掘其背后的价值,从而帮助商务网站优化其经营策略。     

基于关联规则的科研项目申报信息挖掘技术

随着数据挖掘技术越来越多地被用于教育领域,如何运用该技术实现知识发现是一个迫切需要研究的项目。基于此,利用关联规则对某高校2021年度科研项目申报信息进行数据挖掘,通过对项目相关人员的职称、学历、项目级别、研究基础与立项情况之间的相关性进行统计分析,为教师申报项目、学校进行科研管理决策提供参考,增加项目申报成功率,进而提升高校整体科研水平。     

基于数据挖掘地域性强关联规则数据提取

针对数据提取方法无法进行海量挖掘,且挖掘结果不准确,挖掘时间较长的问题,提出一种基于数据挖掘算法的地域性强关联规则数据提取方法。结合地域性强关联规则数据管理系统,采集用户需求信息,检索特征关联性,收集地域特征。利用数据关联度,分析地域检索中地域特征间的关联,计算相似标签信息参数,并对支持度和置信度实施计算,从地域性强关联规则数据库中挖掘关联规则。利用Kulczynski量度和不平衡率实施相关性分析和过滤,最终获取到具有实际意义的强关联规则。实验结果表明,该方法挖掘效率较高,且具有广泛的应用价值。     

基于关联挖掘技术的图书馆个性化信息服务

阐述了图书馆个性化信息服务以及关联规则数据挖掘技术,介绍了基于Apriori算法的数据挖掘实例。     

基于粒计算的多层次关联规则挖掘技术研究

粒计算理论是一种看待客观世界的世界观和方法论.基于粒计算的多层次关联规则挖掘,引入了粒计算思想,采用多层次化二进制编码表示,只须一次数据集扫描便可获得所有叶节点粒,并能够由子粒的"或"、"与"运算获得父粒和多项集,简化求频繁-项集的求取方法,降低了算法的时间复杂度和空间复杂度提高了算法的效率.     

数据挖掘中关联规则集的优化

尝试重新定义了正关联规则和负关联规则,并给出它们的兴趣度,从而统一了正、负关联规则的评价标准.在此基础上,采用逻辑的方法查找极小矛盾集以判定关联规则集的一致性,通过修改极小矛盾集中的规则消除关联规则集的不一致,从而优化原有的关联规则集.     

基于聚类的周期关联规则的数据挖掘

介绍了关联规则挖掘的研究情况,提出了基于聚类的周期关联规则挖掘算法,分析了该算法存在的问题并提出解决方案,展望了关联规则挖掘的未来研究方向.     

基于聚类的周期关联规则的数据挖掘

介绍了关联规则挖掘的研究情况，提出了基于聚类的周期关联规则挖掘算法，分析了该算法存在的问题并提出解决方案，展望了关联规则挖掘的未来研究方向．     

基于关联规则挖掘算法的改进研究

数据挖掘应用极大地推动了人们掌握、处理信息的能力.文章主要介绍了数据挖掘中的关联规则,关联规则中的经典算法Apriori算法,以及Apriori算法存在的不足,提出了Apriori算法的改进研究.     

云计算环境下关联规则数据挖掘算法研究

在海量数据的关联规则数据挖掘中,采用并行计算是非常必要的;针对当前的关联规则算法,运用并行算法的思想,结合云计算环境下的Hadoop架构,提出了Hadoop下的并行关联规则算法的设计,最后实验表明,该算法能处理节点失效,并且能实现节点负载均衡。     

基于粗糙集的关联规则数据挖掘在层流冷却中的应用

卷取温度过程控制主要是通过传统数学模型进行描述,而层流冷却过程是一个非常复杂的非线性过程,尤其是对于低温卷取的温度控制,难以用数学模型精确表达.以攀钢热轧板厂层流冷却系统实测数据为基础建立采样数据的决策表,运用粗糙集理论将采样信息表进行模糊语言化,依据适合实际应用的语言数据关联规则支持度和可信度,通过属性约简,剔除冗余规则,挖掘出隐含的关联规则,通过动态的模糊模型的建立,优化传统层流冷却数学模型.实测数据运算表明,该方法可以将原模型的卷取温度控制精度提高1%~2%,具有很好的应用前景.     

基于FP树的特异关联规则挖掘算法研究

分析稀少数据的相关性是一种重要的、有价值的数据挖掘任务。运用面向关联规则的FP树构造方法，提出了一种特异关联规则挖掘算法RSFPA。该算法将包含特异模式的数据集压缩成一棵FP树，通过挖掘FP树来提取特异模式集，从而进一步提高了特异模式的挖掘效率。最后，利用恒星光谱作为数据集，实验验证了RSFPA算法的正确性和有效性。