数据挖掘中关联规则和决策树的应用

关联规则应用最频繁的是在零售部门,尤其是超市。以某超市一天中的商品销售记录为例来说明关联规则的应用,从中发现客户的购买模式和消费习惯。决策树分类方法的应用中,对于汽车销售公司的客户定位进行了分析,区分了男性和女性的偏好。销售公司可以据此对客户进行具体定位,促进销售。     

基于相关系数的正、负关联规则挖掘算法

负关联规则描述的是项目之间的互斥关系，它与传统的正关联规则有着同样重要的作用。然而，大多规则挖掘算法只能挖掘正规则而忽略了负规则的挖掘。本文利用统计学中相关系数的理论，提出一个能同时挖掘正、负关联规则的算法，实验表明该算法是有效的。     

基于关联规则的分类

提出一种基于关联规则的分类算法 .这个算法既可以快速分类 ,又可以不受数据集规模的限制     

基于信息熵的决策树

熵是一个衡量系统混乱程度的统计量,将熵的概念引入决策树中,可以创建生成能够对数据进行更好地分类的决策树。     

基于关联规则的中医症状组团分析

症状组团分析是中医学研究的热点问题,具有重要的理论意义和临床应用价值,也是中医诊断进一步发展的基础,目前尚处于探索阶段。本文以数据挖掘为技术手段,提出了基于关联规则的中医症状组团分析算法,该算法通过分析证素与证候、证候与症状的关联关系,得出症状与症状之间的联系,从而自动发现具有相似或相同意义的症状组团。充分的实验结果表明,所提出的算法可以有效地发现症状组团,准确率达到85.11%。     

关联规则在试卷质量评估中的应用研究

试卷质量的定量分析只能反映一般的统计特征,这些特征所蕴含的内在规律要借助于对试卷定性分析来加以判断、解释才能给教学提供有意义的参考。本文在试卷质量评估中结合定量和定性分析,引入基于数组的改进的关联规则数据挖掘技术来分析试卷各项定量评价指标与总体定性评价之间的关系,实践证明这是一种比较科学有效的方法。     

基于Apriori算法的购物篮关联规则分析

数据挖掘是适应信息社会从海量的数据库中提取信息的需要而产生的新学科。它是统计学、机器学习、数据库、模式识别、人工智能等学科的交叉。IT就业市场竞争已经相当激烈,而数据处理的核心技术——数据挖掘更是得到了前所未有的重视。关联规则一般用以发现交易数据库中不同商品(项)之间的联系,用这些规则找出顾客的购买行为模式,比如购买了某一种商品对购买其他商品的影响,这种规则可以应用于超市商品货架设计、货物摆放以及根据购买模式对用户进行分类等。通过发现这个关联的规则,可以更好地了解和掌握事物的发展、动向等。在市场营销、企业投资中具有重要的作用。     

正、负关联规则挖掘算法的实现

关联规则挖掘寻找给定数据集中项之间的有趣关系,是数据挖掘的主要研究方面.传统的关联规则挖掘算法仅能挖掘正关联规则,事实上,负关联规则也包含了非常有价值的信息,对于决策的作用也是不容忽视的.     

基于信息增益和GEP的决策树属性约简算法

分类是数据挖掘的一个重要研究方向,使用决策树进行分类是一种常用而且高效的分类方法。目前传统的算法有ID 3、C 4.5、CART等,这些算法都有如下的局限性:必须人工输入归类集合,划分属性,确定最优的分类集合。为了解决这些问题,本文做了如下工作:①提出信息增益排列GEP染色体头部的思想;②给出基于信息增益的GEP构造决策树属性约简算法(IG-GEPDTAR)并用实验进行验证;③实验表明该算法构造的决策树在具有100%准确性的同时,比使用GEP算法构造的决策树减少了冗余分支,其节点数比传统的ID 3算法和P ID算法构造的决策树的节点数分别减少了82.9%和31.2%。     

管理分类规则的广义决策树

为了将传统的决策树无法管理的、由各种分类算法所发现的大量的有意义的规则进行有效的存储、剪裁和使用 ,提出了广义决策树结构。它将传统决策树的结构进行扩展 ,能够以较少的存储代价管理所发现的所有分类规则 ,且易于表达规则之间的关系。提出了有效的优化策略。以此树为基础 ,将决策树分类算法与基于关联规则的分类算法进行了概括统一 ,并提出了相应的算法。实验结果证明 ,广义决策树克服了传统决策树的缺点 ,并且适宜于维护、剪裁以及快速搜索大量的分类规则     

数据挖掘中关联规则在超市商品管理中的应用

将数据挖掘关联规则用于分析超市消费者的购物习惯和关联行为,并以此优化超市货架设置,推动关联销售,促使超市的管理决策更加科学、高效.     

基于正、负关联规则的数据挖掘探讨

传统的关联规则只关注于挖掘出项集间的正关联规则,但在实际应用中负关联规则同样隐含着有价值的信息.本文首先给出了正、负关联规则的定义及支持度和置信度的函数表示,重点分析了关联规则中"支持度—置信度"架构的局限性,提出了利用项集的相关性来解决关联规则中正、负矛盾规则出现的问题,同时针对置信度的设置进行了研究分析,最后对负关联规则挖掘的算法进行了讨论,旨在为关联规则的研究奠定基础.     

负关联规则的研究

传统的关联规则是A(=)┐B的形式,将这种形式加以扩展,讨论了A(=)┐B, ┐A(=)B,┐A(=)┐B三种形式,给出了一种负关联规则中支持度与置信度简单有效的计算方法.讨论了同时研究正、负关联规则后出现的矛盾规则问题,提出了用相关性解决这些问题的方法和一种挖掘频繁项集中正、负关联规则的算法,进行了算法的验证实验.实验结果表明,该算法能检测并删除相互矛盾的规则.     

基于概率统计的正负关联规则挖掘算法

正关联规则与负关联规则有着同样重要的作用,而传统的关联规则算法只能挖掘正关联规则.本文对关联规则的相关度进行判断,并在此基础上提出了一个能同时挖掘正负关联规则的算法,实验证明改进算法是有效的.     

一种基于穷举项类型的完全关联规则算法

提出了完全关联规则挖掘算法。该算法是为了对事务集合D中所包含的所有蕴涵式的关联规则进行支持度和置信度的衡量。研究的核心问题是解决对小规模原子项和稀疏数据集进行有效的穷举项类型，从而进行所有蕴涵式可能性的分析。该算法优点是所有蕴涵式可能性进行了探讨，从而为进一步的数据挖掘和研究作了很好的准备。     

一种基于关联规则的缺省规则挖掘算法

传统的基于Rough集的缺省规则挖掘算法须计算差别矩阵并生成大量的条件属性类，挖掘效率低．为此，本文引入相容关联规则和决策关联规则的概念，提出基于关联规则的缺省规则挖掘算法——DRMBAR，该算法借助FP-tree存储结构挖掘出决策关联规则，并用相容关联规则性质对决策关联规则进行有效修剪后生成相应的缺省规则,DRMBAR可有效地过滤噪声、提高缺省规则挖掘效率，且克服了传统算法依赖于主存的限制，为缺省规则的挖掘提供了一种新的框架。实验结果表明该算法是有效且可行的。     

基于关联规则的DM方法分析交通事故

本文将关联规则DM方法应用于交通事故的分析中,从而找出事故发生的潜在规律。     

一种新颖的关联规则数据挖掘算法

为提高挖掘大项目集的速度,有效建立给定数据集中各项集之间的关联规则,提出了一种0-1矩阵关联规则数据挖掘算法.算法将事务数据库转化成M×N的矩阵,构造一个矩阵关联图表示频繁1-项目集中每两个项目之间的关联关系,通过遍历构造的关联矩阵有效地缩减事务数据库的大小,产生所有的频繁项集.利用模拟实验结果证明了所提算法可行性及有效性.     

粗糙关联规则评价体系的研究

在关联规则评价中引入粗糙相关度的评价指标,构建了“粗糙支持度、粗糙置信度和粗糙相关度”的三维评价模型,对现有的关联规则的粗糙支持度和粗糙置信度的二元评价模型进行了拓展.     

带约束的负关联规则挖掘算法

针对仅有的挖掘算法不能较好地解决负关联规则的候选集数量爆炸问题,为满足用户的实际需求,提出带约束负关联规则概念,建立带约束负关联规则挖掘算法CNARM.同时,在挖掘过程中,利用最大频繁模式的性质来生成候选集,通过限制负关联规则中的前后件项目个数和利用负关联规则的性质来缩小候选集的规模.理论分析和实验结果表明本文提出的算法是有效可行的,具有较好的挖掘效率.