多值属性关联规则挖掘的Q-Apriori算法

针对Apriori算法进行多值属性关联规则挖掘时效率低下的问题,提出量化Apriori算法。利用多值属性数据特点改变项集存储格式,采用类似矩阵的数据结构存储项集,提高遍历数据库时统计计数的速度,使用类似矩阵的加法运算改进连接操作,减少无效候选项集的产生。实验结果表明,相比Apriori算法,该算法执行效率有较大提高。

基于频繁2-项集的数量关联规则挖掘方法研究

关联规则挖掘方法自提出以来已有很多改进算法,但均局限于布尔关联规则的挖掘.已有的数量关联规则挖掘主要考虑了连续属性值离散化、最优的数量关联规则挖掘等问题,但存在过小支持度和过小置信度问题.研究了这一问题并提出了一个在频繁2-项集的基础上挖掘数量关联规则的改进算法.它不仅可以用于典型的购物篮分析,还可以用于购物篮分析不能完成的关联规则挖掘问题,如带数量的捆绑销售问题.

数据挖掘技术在高校学生就业指导中的应用

随着高校毕业生人数的增加和管理信息系统的应用,产生并积累大量复杂的就业信息数据,传统的统计分析方法已不适应深入分析的需求。应用数据挖掘技术中的Apriori算法,以高校就业历史数据为研究对象,以学生就业指导为研究目的,通过对高校就业数据的挖掘找到影响学生就业的内在因素,发现学生的受教育属性和就业属性之间的关联性,得出社会需要的应用型人才模型,从而给高校决策者提供指导或数据支持,改进现有的教育模式,提高对毕业生就业指导的实效性。

基于量化关联规则的敏感性分析

通过数据挖掘产生的关联规则会存在大量无用和不感兴趣的规则,并且不能挖掘出元素之间的敏感程度,而敏感性分析方法效率低且合理性难验证,故提出一种使用量化关联规则进行敏感性分析的方法。该方法利用相对值概念描述数值型属性的变化程度及其对目标变量变化的影响,基于等宽分区完成相对值离散化,通过Apriori算法找出相互影响程度高的关联规则。最后通过分析某高校数据结构课程中的每个学生某个知识点的成绩对该方法进行了实证研究,得到了有价值的关联规则和选择知识块作为粒度分析挖掘出的结果最好。