Apriori优化算法在临床数据挖掘中的应用分析

频繁项集的生成是关联规则挖掘中的关键问题,本文提出了一种基于无向项集图的频繁项集挖掘算法。应用优化算法对病人就诊数据进行挖掘分析,与传统的频繁项集挖掘算法相比,优化算法在执行效率上有明显的提高,对临床实践研究提供有价值的指导意见。     

数据挖掘中关联规则挖掘算法的探讨与研究

对数据挖掘中的关联规则挖掘算法进行了研究、探讨和比较。在分析关联规则最具代表性两类算法的基础上,提出了一种挖掘算法的改进思想,并对关联规则进行了展望。     

基于数据挖掘关联规则Apriori改进算法的入侵检测系统的研究

在众多的关联规则挖掘算法中,Apriori算法是最为经典的一个,但Apriori算法有以下缺陷：需要扫描多次数据库、生成大量候选集以及迭代求解频繁项集。因而提出了一种新方法,使Apriori算法产生的候选项集再通过数据库查找是否为频繁项集,从而提高算法的效率。最后针对入侵检测系统形成关联规则。实验结果表明,改进后的算法...     

一种挖掘不确定性数据频繁项集的方法

该文探讨挖掘不确定性数据频繁项集,在Carson Kai-Sang Leung等人提出的一种基于树的UFPgrowth算法的基础上进行改进,提出新算法-UFP-growthT.实验表明,该算法可以有效地挖掘不确定性数据的频繁项集,且拥有高效性和伸缩性.改进后的算法在一定程度上减小了UFP-tree的大小,加快了挖掘过程...     

BC树的结构与BC子树数间的关系

结合BC树的特性,研究了BC树的BC子树数与结构间的关系。     

聚类思想在挖掘关联规则中的运用

数据挖掘中的关联分析技术旨在发现大量数据项集之间有趣的关联关系.虽然Apriori算法利用剪枝方法有效地提高运算效率,但在处理超大型事务数据库时,仍会存在内存瓶颈问题.按照项集对数据库进行聚类预处理,然后在各个数据簇内进行关联分析以提高运算效率,且簇的数目可根据情况由数据挖掘者根据情况预先指定.通过对该算法的复杂度分析得出在一定条件下运算的时间复杂度确实有所下降的结论.     

建立频繁项目集向量的极大频繁项目集挖掘

在分析和研究诸多经典关联规则挖掘算法或最大频繁项目集挖掘算法的基础上,提出了一种新的极大频繁项目集挖掘算法BOFPV_MMFIA算法.该算法引入频繁项目集向量FP-V,将极大频繁项目集的挖掘过程转化为频繁项目集向量FP-V的与运算过程.算法只需扫描数据库一次,克服了Apriori及其相关算法产生大量候选集和需多次扫描数据库的缺点.又不同于BOM算法,挖掘频繁k_项目集时,需要进行 次k个向量的与运算.因此,BOFPV_MMFIA算法的效率明显高于Apriori、DMFIA及BOM算法.     

一种以FP-tree为基础的增量式挖掘算法的研究

本文利用FP-tree压缩数据和只扫描数据库两次的特性,设计一种算法使得所有交易记录都可以完整地压缩在同一树结构中,并使其能在数据库经过更新后,不须重新扫描原始数据库就可以得到所有的频繁项集。     

一种基于数据挖掘的入侵检测方法

本文提出一种基于频繁模式数据挖掘的方法,主要以主机系统日志作为数据源,对其进行频繁模式挖掘分析,实现了基于主机的入侵检测模型的设计。经实验证明,该方法能够有效侦测对主机的入侵行为。     

基于DSCFCI_tree的带项目约束的数据流频繁闭合模式挖掘算法

根据数据流的特点,提出了一种挖掘约束频繁闭合项集的算法,该算法将数据流分段,用DSCFCI_tree动态存储潜在约束频繁闭合项集,对每一批到来的数据流,首先建立局部DSCFCI_tree,进而对全局DSCFCI_tree进行有效更新并剪枝,从而有效地挖掘整个数据流中的约束频繁闭合模式.实验表明,该算法具有很好的时间和空间效率.