基于改进遗传算法的关联规则挖掘

在关联规则的挖掘过程中引入遗传算法,并且结合一个实例,给出了详细的利用遗传算法挖掘关联规则的实现方法。遗传算法的引入很好的避免了规则集中的"假规则"问题。同时,在算法的具体实现过程中,采用了截断赌轮、动态变异概率等方法,有效避免了遗传算法中早熟现象的发生。     

基于遗传算法的单维关联规则挖掘

算法采用了一种新颖的质数编码方式,将数据库属性项压缩为一个数值型的项,把原来用字符串表示的记录转化为用一个合数表示,进而把字符串比较转化为数值运算.通过引入频繁项集估计数目,使算法总是在频繁项密集区进行挖掘,对搜索空间进行了有效修剪.实验表明,算法对数据库压缩比超过25％,效率至少能提高49％.     

基于遗传算法的关联规则挖掘研究

针对图书馆读者借阅信息复杂度过大的难点,采用遗传算法研究关联规则挖掘,并举例说明。     

基于并行遗传算法的关联规则挖掘

根据关联规则挖掘的要求与特点,结合并行遗传算法的思想,通过定义适应度函数,讨论了并行遗传算法在数据挖掘中的应用．结合一个实例,提出了基于并行遗传算法的关联规则的提取算法．     

基于遗传算法的关联规则挖掘模型

根据关联规则挖掘的要求，结合遗传算法的特点，研究利用遗传算法来发现关联规则，建立了一个基于遗传算法的关联规则挖掘模型，并且在模型中引入了称为整理算子的操作．通过该模型的一个应用实例证明利用这个模型来发现关联规则是可行的、有效的．最后指出基于遗传算法的关联规则挖掘技术具有广阔的应用前景．     

基于改进遗传算法的Web关联规则日志挖掘的研究

本文提出了一种改进的遗传算法,用于优化Web日志挖掘的关联规则集。介绍了该算法的具体流程,提出新的染色体编码方案,新的编码配合本文的交叉操作使遗传过程更加优化,本文还对遗传的各步操作进行了改进,有效的避免遗传算法的早熟现象。     

一种基于改进型遗传算法的关联规则提取算法及其应用

对关联规则的数据挖掘和遗传算法进行了概述,阐述了关联规则数据挖掘的现实意义,提出了一种采用改进型遗传算法的关联规则提取方法,并给出了具体的算法,最后结合一个具体实例进行了应用。     

时态关联规则挖掘综述

交易数据库中的关联规则挖掘是一个很有价值的问题。现在已有不少关联规则模型,挖掘关联规则的算法也在不断改进。然而,在真正的数据库中,一些特殊的问题还没有被解决。一个主要的未解决的问题就是处理包含时态信息的数据。近几年来,为了解决这个问题,已经提出了基于某些方法的研究。     

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。     

基于关联规则挖掘的隐私数据保护

隐私数据保护是目前网络安全关注一个热点之一,随着数据挖掘技术的不断发展,恶意用户可以使用相关技术推理出正常用户的隐私信息。在提出关联规则的前提下,提出了一种基于关联规则挖掘的隐私数据保护方法,对数据进行规则隐藏,从而保护用户的隐私数据。     

一种基于遗传算法的知识规则挖掘算法

论述了遗传算法在数据挖掘中的一类知识分类应用,并给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示,适应度函数定义等.通过实例证明了该算法的有效性.     

基于图的挖掘关联规则改进算法

关联知识挖掘算法中一种广为人知的算法就是Aprior算法,之后所有关联规则挖掘算法的基本思想都是基于频繁项目集发现算法的基础上进行了改进.为了提高关联规则挖掘效率,首先回顾了基于图的关联规则挖掘算法;然后,在此基础上进行了改进,把关联规则挖掘中寻找频繁项集的问题转换为图中寻找完全子图的问题,通过在图中查找完全子图来寻找频繁项集.提出了一种基于图的关联规则挖掘改进算法,并且对原算法和改进的算法从时间和空间的性能进行了比较分析,得出改进的算法是有效可行的.最后从实验结果得出结论GenerateItemsets算法比DGBFIG算法优.     

基于遗传算法的模糊规则自动获取

在遗传算法的基础上,给出了一种能够自动获取模糊规则的剪枝算法,并以此建立了新的网络模型．模拟结果验证了该模型的有效性。     

无最小支持度的关联规则挖掘方法

关联规则的挖掘是数据挖掘领域的重要研究内容之一.关联规则的挖掘算法大都在用户设置的支持度阈值的限制条件下,挖掘出数据属性之间的关系.但是没有相关领域的专门知识,用户很难设置合适的支持度阈值得到合适的结果.本文在Apriori算法的基础上,提出一种无支持度的关联规则挖掘方法.     

关联规则算法及其优化

介绍了关联规则的典型算法，提出了关联规则算法的优化方向．     

基于关联规则的数据挖掘算法研究

关联规则是数据挖掘的重要手段,它基于支持度、置信度等对规则进行筛选,生成有用的规则。关联规则反映了大量数据中项集之间的相互依存性和关联性。Apriori算法和FP-Growth算法是关联规则挖掘中的两个典型算法。本文阐述了这两种算法的基本思想、数据挖掘步骤,并讨论了它们的优缺点及差异。     

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。     

一种基于权函数的改进型关联规则挖掘算法

提出了一种基于权函数的改进型关联规则算法——CWA priori算法。该算法利用决策属性在挖掘中的作用,归约数据源中无价值或价值较小的记录,从而缩短程序运行时间和节约数据存储空间,较好地改进了算法性能。实验结果证明CWA priori算法的效率明显高于A priori算法。     

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.