挖掘关联规则中AprioriTid算法的改进

针对Apriori和AprioriTid算法中存在的项集生成瓶颈问题,提出了一种基于事务集压缩、候选项集压缩和支持度布尔矩阵的改进AprioriTid算法。该算法中通过删去不必比较的事务来有效缩减数据集;优化频繁项集的自连接方式来减少生成的候选项集个数;使用支持度布尔矩阵来加快候选项集的验证速度。实验结果表明改进算法确实能有效减少相关计算量,比已有算法执行效率明显提高,同时验证了该算法在旋转机械故障诊断中的有效性。

关联规则挖掘AprioriTid算法优化研究

提出了一种基于事务压缩和项目压缩的AprioriTid优化算法。该算法的特点是:项目集采用关键字识别,同时对事务数据进行事务和项目压缩。从而省去了Apriori算法和AprioriTid算法中的剪枝和模式匹配步骤,减小了扫描事务数据库的大小,提高了发现规则的效率。通过实验表明,优化的算法执行效率明显优于AprioriTid算法。

关联规则挖掘AprioriTid算法的改进

提出了一种将AprioriTid算法与事务压缩和项目压缩相结合的改进算法。该算法中候选项目集及支持度计算是在每条事务压缩后通过联接产生,候选项目集采用关键字识别,省去了AprioriTid算法中的剪枝和字符串模式匹配步骤。实验结果表明,改进的算法执行效率明显优于AprioriTid算法。

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.

关联规则挖掘的AprioriTid算法的改进

关联规则挖掘是数据挖掘中常见的一种形式,高效地找出频繁项目集是关联规则挖掘的中心问题.文章在分析生成频繁项目集的AprioriTid算法的基础上,指出了算法中存在由于项目的重复存储而使数据量偏大的问题,提出并证明了“C_(k-1)中支持率小于minsupport的项目集在C_(k-1)中是无用的”的定理,并以此为依据改进了算法.实验表明,改进算法在缩小数据规模方面是行之有效的。

一种改进的AprioriTid算法

针对经典Apriori算法多次扫描数据库产生I/O负载影响运行效率等问题,在对Apriori算法的原理及其相关改进算法研究的基础上,提出了一种基于压缩集的改进Apriori算法,即Apriori Tid_M算法.通过有效的裁剪方法减少无效项集的产生,减少候选项集的数量,从而提高算法的效率.仿真实验表明,在支持度相同但数据量不同,以及数据量相同但支持度不同这两种条件下,Apriori Tid_M算法在性能上和运算时间上都比Apriori算法有很大程度的改善.

改进的AprioriTid算法在试卷质量评估中的应用

在试卷质量评估中结合定量和定性分析,探讨了如何利用数据挖掘方法中的关联规则算法对学生成绩数据进行关联规则挖掘,并引入改进的Apriori Tid算法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。结果表明改进的Apriori Tid算法能对试卷质量作出科学的分析且具有较高的效率。

AprioriTid算法的MapReduce并行化实现

为解决AprioriTid算法对大数据执行效率不高的问题,根据Hadoop平台的MapReduce模型,分析了AprioriTid算法的并行化方法,给出了并行化的主要步骤和Map、Reduce函数的描述。与串行的AprioriTid算法相比,并行算法利用了多个节点的计算能力,缩短了从大数据集中挖掘关联规则的时间。对并行算法的性能进行了测试,实验结果表明,并行AprioriTid算法具有较高的执行效率和较好的可扩展性。

AprioriTid挖掘频繁项集算法的改进

针对AprioriTid算法的不足,提出一种新的优化算法IaprioriTid。该算法从事务压缩、项目压缩和散列技术等方面对AprioriTid算法进行优化,提高了算法的效率。对AprioriTid算法中引入的C′k进行事务压缩和项目压缩,减少C′k中的数据量,提高扫描效率,应用散列技术优化产生频繁-2项集。最后实验证明了该算法的有效性。

数据挖掘中关联规则算法的研究及应用

针对Apriori和AprioriTid算法中存在的项集生成瓶颈问题,提出了一种基于事务集压缩、候选项集压缩和支持度布尔矩阵的改进AprioriTid算法.该算法中通过删去不必比较的事务来有效缩减数据集;优化频繁项集的自连接方式来减少生成的候选项集个数;使用支持度布尔矩阵来加快候选项集的验证速度.实验结果表明改进算法比原算法执行效率明显提高,同时也验证了该算法在油液监测故障诊断中的有效性.

基于数据挖掘的课程相关性研究与分析

关联规则是数据库中某些特定事件同时发生的概率的简单陈述。关联规则挖掘就是利用特定方法发掘数据库中潜藏的关联规则的过程。文中主要运用数据挖掘中的关联规则和AprioriTid算法,以考务数据库为挖掘对象,并在挖掘过程中充分运用数据库技术适时地对挖掘数据进行筛选,有效地提高了挖掘效率。最后,对课程间的相关性进行了分析和研究,得到了有效性的结论。

数据挖掘技术在科研项目量化与评价中的应用

针对高校科研项目量化与评价工作缺乏对量化数据进行理论分析的问题,提出了利用数据挖掘技术对高校科研项目量化数据进行挖掘分析,应用Apriori Tid算法获得了科研项目各项量化与评价指标之间的关联规则。该规则表明高校科研项目中省部级、自然学科类、经费在1万到4万之间的科研项目占项目总数的三分之一,且该类科研成果在专家总体评测中大多会被评为优秀,实践证明该关联规则对高校科研项目量化与评价工作具有借鉴意义。

关联规则挖掘算法的研究和应用

文中介绍了Apriori算法,并从逐渐减少扫描的数据量和减少扫描数据库的次数两个方面对Apriori算法进行优化,介绍了AprioriTid算法和Partition算法。根据这两种算法的优势又将两者进行结合,对整个数据库采用Partition算法,将数据库分区,而在每个分区中又采用AprioriTid算法。此外,在将数据库分区时,对数据进行一个预处理,即将支持数较高的两项集尽可能地放在同一个分区中,最后将结合的结果与单纯采用一种算法的效率进行比较。

一种高效的关联规则挖掘算法

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目集代替数据库D,减少了数据量;二是根据优化的频繁k-1项目集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.

数据挖掘技术在铁路治安工作中的应用

在获取铁路车站治安信息的基础上,利用典型的关联规则算法Apriori及其改进算法AprioriTid,对信息库中的数据进行了分析和验证,得出在治安违法案件中人、事、物之间的相互关系并以此预测未来铁路车站的治安情况。以指导车站治安管理中对重点时段、重点区段和重点案情的警力安排,使得在警力紧缺的情况下,科学、合理地安排警力。同时,笔者也对两种算法的效率进行了比较,AprioriTid无论是在算法的精度还是时间复杂度方面都要优于Apriori算法。

群体研讨环境中面向主张的关联规则分析

群体研讨环境的首要目的是支持合作型的群体研讨活动。在群体研讨活动中,将会产生一些研讨信息,因此有必要分析研讨信息中的关联关系,为达成研讨共识提供参考。阐述了聚类分析和关联规则的基本概念,其中简单描述了Aprioritid算法,提出了改进的K-Means聚类算法,最后通过实例针对研讨主题进行聚类分析,将关联规则应用在聚类分析的结果中,以实现关联关系的挖掘。