基于聚类离散化的Dep-Miner函数依赖发现方法

针对已有函数依赖发现方法直接应用于连续型数据时，易导致依赖关系挖掘失败的问题，该文基于已有Dep-Miner方法，提出基于等间隔离散化的Dep-Miner(ED-Dep-Miner)和基于聚类离散化的Dep-Miner(CD-Dep-Miner)函数依赖发现方法。通过数据离散化，将指标的连续型数据合理地转变为类别数据。实现基于类别数据的函数依赖发现，提升函数依赖发现能力。同时，对Dep-Miner中的部分定理给出了基于反证法和枚举法的通俗化证明。该文将提出的ED-Dep-Miner和CD-Dep-Miner与不带有任何离散化操作的原始Tane和Dep-Miner进行了实验对比。实验结果表明，该文的ED-Dep-Miner和CD-Dep-Miner方法将原始连续型数据转化为离散型分类，挖掘出了更多潜在的函数依赖关系。同时，CD-Dep-Miner的性能要优于ED-Dep-Miner,解决了等间隔离散化存在的边界值问题。