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。     

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。     

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.     

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.     

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。     

关联规则在教学评价中的应用研究

通过介绍关联规则的基本概念、意义和作用,并将关联规则挖掘应用到教学评价中,揭示数据中存在的相互关系,得到一些对提高教学质量或水平有用的信息,为学校的教学管理和决策提供参考.     

关联规则挖掘在教学评价中的应用

指出了教学评价中传统的定性分析、定量分析、标准差方法的不足，介绍了关联规则的概念，将数据挖掘中的关联规则挖掘应用到教学评价中，找出了教师课堂教学效果与教师年龄、职称之间的关联规则．     

关联规则的不确定性度量研究

自动地从数据库中挖掘关联规则是非常重要且十分有用的，这是因为已开发和研制的数据广泛地遍布于整个世界。关联规则的不确定性由两个因子：支持度和可信度来度量．该文研究和给出已有的度量的性质，为进一步开发数据挖掘软件提供参考。     

股市K线组合的关联规则挖掘

将数据挖掘技术运用于股票数据的研究,对股票数据进行收集、读出、整理、挖掘,从而发现相关的规则模式,再通过数据挖掘关联规则算法中的置信度与可信度参数的调节进行规则的初步筛选.同时,为了尽量减少投资风险提高投资收益而带来更大的价值,进一步加入投资学的指标,以期望衡量收益,方差衡量风险,并对初步筛选的结果精益求精确保规则的可靠性.     

数据集中多属性关联规则发现算法

对数据挖掘中的多属性关联规则算法进行了探讨,给出了关联规则发现算法的相关概念（关联规则、支持率、可信度）和关联规则发现算法,并说明了传统查询工具在数据挖掘中的作用,以及该算法需要进一步研究的内容。     

基于关联规则web日志挖掘方法的研究

传统的关联规则挖掘技术是从包含一组事务记录的数据库中发现一些事务项目间关系的信息。本文的工作,是致力于将关联规则的概念引入到Web日志挖掘系统中,将用户的访问路径以关联规则的形式表现出来,其目的在于从用户访问超文本系统的行为中发现用户的访问模式。将超文本系统看成是一种有向加权图,经过对可信度和支持度的重新定义,使之适合于用来表示用户的访问路径,并引出复合关联规则挖掘算法。     

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.     

基于用户反馈的关联规则挖掘在试卷分析中的应用

传统试卷分析系统一般只是对考试成绩做简单的整体统计,如平均分、等级、不及格率等,用户缺乏对试题知识点掌握情况关联程度的准确了解。针对该问题提出一种基于用户反馈的关联规则挖掘算法。首先对原始数据进行预处理,得到试卷知识点评分权重表和二进制的学生得分率表。然后建立一个根据用户选择层数输出关联规则,以及查询与选定知识点相关的规则的新方案。最后,提出了一个考虑用户反馈、支持度和置信度阈值的关联规则挖掘算法,以过滤无用规则,提高挖掘效率。对VB试卷数据应用该算法,发现了基于用户反馈的有趣关联规则。实验结果表明基于用户反馈的关联规则挖掘优于其他关联规则挖掘算法,更易获得有趣的关联规则。     

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.     

基于下钻操作的多层关联规则挖掘算法研究

多层关联规则涉及多个抽象层中的项,它是通过有概念分层的关联规则挖掘而产生的.传统的方法仅考察每个概念层次内是否有用户感兴趣的规则,而忽略了不同概念之间的规则.另外,很多挖掘出的规则并不是用户感兴趣的.提出的关联规则的下钻操作沿袭了OLAP中下钻的概念,它是通过对已经挖掘得到的用户感兴趣的规则进行再分析,挖掘出用户感兴趣的子关联规则,从而达高效挖掘多层关联规则的目的,且这种规则不局限于同一概念层次内.     

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.