基于关联规则挖掘的课程相关性研究与应用

应用关联规则挖掘对高校课程相关性进行了研究.将某高校的毕业生成绩数据库经过预处理之后,采用不设定成绩界限的方法,用改进的Apriori算法进行挖掘.不仅能挖掘出成绩为优时的课程相关规则,还能发现若某些课程成绩差,则其他课程成绩也为差的规则,可以为学分制体系下学生选课和管理者进行决策等提供参考.     

基于序列模式的正负关联规则研究

序列模式可预测企业的发展方向，负关联规则可展现不良因素的根源，序列模式的正负关联规则为企业决策提供更全面的信息. 将序列模式和负关联规则的挖掘算法相结合，利用项集间的相关性，挖掘出序列模式的正负关联规则.     

数据挖掘技术在课程相关性中的应用研究

通过数据挖掘技术对教学管理数据库中的学生成绩进行分析,找出各课程之间的隐藏关系,得到一些合理、可靠的课程关联规则,并根据这些规则进行课程的合理设置。     

基于数据挖掘的课程相关性分析系统的应用研究

本文论证了采用关联规则算法进行数据挖掘,以发现课程之间相关性的可行性。数据挖掘部分采用经典的Apriori算法,并引入了感兴趣度的概念,对挖掘结果进行进一步的清理,从而提高了系统的性能。     

基于兴趣度的高职课程关联规则挖掘

研究关联规则数据挖掘,讨论兴趣度的概念,设计基于此概念的算法.以高职成绩数据库为处理对象,分析课程间的关联规则,并以兴趣度为约束条件,剔除具有欺骗性的无效关联,挖掘一些合理可靠的课程间有趣的关联规则,从而为高职课程设置和教学大纲的修订提供参考,同时也验证了算法的有效性.     

关联规则挖掘的新模型

对关联规则的不足进行分析,提出了一新关联规则模型,此模型有助于挖掘关联规则的正相关与负相关.并对经典模型进行一定改进.     

基于关联规则的课程设置研究

通过对基于关联规则的数据挖掘技术的研究,阐述了数据挖掘技术在电子化校园中的应用前景,特别是在课程设置方面,基于关联规则的数据挖掘技术可以更加有效地帮助教育者进行决策.     

基于关联规则相关性分析的Web个性化推荐研究

通过分析关联规则在Web个性化推荐中存在的问题,对Web个性化推荐的关联规则相关性分析算法进行改进,并进行了详细的论证和仿真实验。实验结果表明改进的算法能实现更低支持度的推荐,能提高推荐的准确率和速度。     

基于关联规则相关性分析的Web个性化推荐研究

通过分析关联规则在Web个性化推荐中存在的问题,对Web个性化推荐的关联规则相关性分析算法进行 改进,并进行了详细的论证和仿真实验。实验结果表明改进的算法能实现更低支持度的推荐,能提高推荐的准确 率和速度。     

基于频繁闭模式的故障状态简洁关联规则挖掘

利用关联规则建立故障与故障表象之间的关系,对故障进行分析和预测是一种重要的故障检测手段.然而普通关联规则具有表达冗余量大和计算复杂的缺点,为此,提出采用频繁闭模式的方法来挖掘故障特征间的关联关系,并以此建立故障分析过程.由于频繁闭模式挖掘剔除冗余复杂,计算量大,在挖掘简洁故障状态关联规则过程中,采用搜索空间提前剪枝的方法直接生成频繁闭模式,避免了保存频繁模式并反复扫描原始数据和过滤候选频繁闭模式的过程.同时整个挖掘结构在挖掘过程中由于不断被删除回收,占用内存会越来越少,最终在枚举出的基于闭模式简洁规则的基础上,建立故障事件转换图,进行故障诊断.实验部分验证了方法的有效性.     

一种发现有价值的稀有数据关联规则的算法

关联规则是数据挖掘研究领域的重要内容之一,在无向项集图的罐础上,结合RSAA算法,提出了一种新的挖掘关联规则的算法,用以发现数据库中有价值的稀有数据．通过将该算法与RSAA算法的分析比较,证明了其在获得频繁项集的效率上具有更好的性能。     

基于难度系数的加权关联规则在试卷评估中的应用

针对传统的关联规则在试卷评估中应用出现的问题：由于试题的难易程度不同,被答对的概率也不一样,即数据集中数据项发生的概率不一样,数据项具有倾斜支持度分布的特征,选择合适的支持度阈值挖掘这样的数据集相当棘手。文章提出了基于试题难度系数加权的关联规则挖掘算法,从而解决因试题难度不同而导致数据项出现的概率不均的问题,发现更多有趣的关联规则,并且理论上证明了基于难度系数的加权关联规则算法保持频繁项集向下封闭的重要特性。     

关联规则挖掘在旅游突发事件预测中的研究

基于数据挖掘中的关联规则挖掘及Apriori算法,研究了在旅游行业中用挖掘得到的规则对突发事件进行预测的方法.对突发事件进行了预处理,对与突发事件相关的规则进行了挖掘,提出了改进的关联规则算法,并获得了有意义的规则输出,并对这些关联规则在旅游业的应用进行了研究.     

一种高效挖掘关联规则的算法研究

在对经典的关联规则算法进行了分析后,通过引入多维链表结构,提出了利用事务集合匹配运算和链表操作高效地挖掘关联规则的算法ARM LL.实验结果表明该算法是可行的,并具有较高的效率.     

挖掘关联规则中AprioriTid算法的改进

在AprioriTid算法的基础上提出了两点改进：一是利用压缩的候选项集代替数据库D,减少了数据量;二是根据优化的频繁k-1项集L＇k-1来生成候选项目集Ck,避免了不必要的组合,实验证明,改进算法在缩小数据库规模方面是行之有效的。     

基于遗传算法的联结规则挖掘策略

传统的联结规则挖掘算法依赖于一个不现实的假设：用户可以指定最小支持度．如果用户不了解他们的数据库，指定的最小支持度是肯定不适合的．在此设计了一个基于遗传算法的挖掘策略。它具有两个显然的优点：①高性能且自动化的规则挖掘；②不要求用户指定最小支持度。     

高血压病中医诊治的遗传关联规则挖掘研究

提出了一种采用遗传算法挖掘关联规则的方法,从编码方法、适应度函数的构造、交叉、变异算子设计等方面进行了讨论．将此方法应用于分析高血压病中医医案诊治数据中,选取了自2008年7月-2010年10月在山东中医药大学附属医院收集的丁书文教授高血压病诊治医案435份为数据来源,实验结果验证了算法的有效性,其中支持度为0．34的强关联规则中的8位药完全包含在丁教授在治疗高血压病时常用的钩藤方中．     

关联规则挖掘的常用算法及其比较分析

关联规则挖掘是数据挖掘的一个重要方面。本文介绍了在大型事务数据库中采掘关联规则的常用算法,并对它们的性能进行了比较和分析。     

一种不产生候选项集的关联规则挖掘算法

在挖掘关联规则的过程中,关键步骤是产生频繁项集．基于频繁项集支持矩阵的思想,提出一种有效的频繁项集挖掘算法-FIMA,并给出了算法的基本设计思想和算法描述．本算法利用矩阵挖掘频繁项集,不需要产生候选项集,且只需扫描数据库一次。所以此算法是非常有效的．     

关联规则在课堂教学评价中的应用

数据挖掘是近年来出现的一种综合了机器学习、统计学、数据库等众多领域的新技术．而关联规则是数据挖掘的核心技术，应用广泛．本文将数据挖掘中的关联规则算法应用于学校课堂教学评价中，找出了课堂效果与教师职称、年龄之间内在的关联规则，可以有效地指导教学工作。