基于改进SPRINT分类算法的数据挖掘模型

为解决目前数据挖掘模型分类时间长、挖掘准确率不高的问题,提出基于改进决策树分类算法(SPRINT)的数据挖掘模型。先采用最大-最小规范化公式完成原始数据线性变换,利用改进后的SPRINT分类算法按照输入数据特性进行分类,使用协同过滤技术生成与数据相近的属性集,计算数据属性相似度,生成语义规则集,为用户提供更优的数据服务。选取某公司营销数据集作为样本进行对比实验,结果表明,与对比模型相比,所提出的数据挖掘模型分类时间更短,挖掘准确率更高,能为用户提供更优质的数据服务。

数据挖掘算法在中药方剂研究中的应用现状

近年来,数据挖掘算法在中药领域的科研中得到了广泛应用。采用数据挖掘算法可处理和分析中药方剂中的多层次数据,并对其作用机制提供合理解释。这一方法现已较好地应用于中医药的配伍规律和高频药组的挖掘中,提高了临床诊断、靶点筛选和新药研究的可靠性和准确性。本文对147篇中药方剂研究中运用数据挖掘算法的文献进行了整理与分析,结果表明,数据挖掘算法在中药方剂作用机制研究、中药方剂量效研究、挖掘核心药对/药组、挖掘“方-药-证”间的关系、发现新方剂和挖掘配伍规律这6个子领域中发挥了独特优势,尤以关联规则和聚类分析算法最具有代表性。

协同过滤下混合大数据无损挖掘算法研究

大数据具有大规模性、多样性以及价值性,由于海量数据间的较高相似度,导致数据挖掘过程易受冗余干扰,出现数据丢失、损坏等问题。为解决上述问题,提出基于协同过滤算法的混合大数据无损挖掘方法。对混合大数据集成预处理,去除冗余,将不同来源的相同数据无损融合。采用协同过滤算法的时间衰减函数,计算挖掘项目间相似性。在混合大数据特征关联度的约束下,实现混合大数据无损挖掘。实验结果表明,所提方法应用下,混合大数据量高达25000MB时,数据挖掘所需时间仅为45ms左右,且挖掘精度高达95%以上,数据挖掘结果与目标具有一致性。

医学大数据分析中数据挖掘算法的应用

随着医学信息化的快速发展,以电子病历、医学影像和健康管理数据等为代表的医学数据正以前所未有的速度增长[1],医疗领域也逐渐步入大数据时代。大数据分析是通过对大规模数据的获取、存储、处理、分析和可视化等多个环节挖掘数据中隐藏的信息和知识,从而为各个领域提供数据依据,优化运行效率,提高集约化程度的技术。大数据不仅数据量大,其特征还可以概括为5个V:Volume(数据规模大)、Velocity(数据增长快)、Variety(数据类型多)、Value(价值高)和Veracity(真实性强)。

基于潜在数据挖掘的小样本数据库对抗攻击防御算法

为了降低小样本数据库欺骗率,提升小样本数据库的攻击防御效果,设计了一种基于潜在数据挖掘的小样本数据库对抗攻击的防御算法(潜在数据挖掘的防御算法).采用改进的Apriori算法,通过频繁属性值集的工作过程获取准确的强关联规则优势,并从小样本数据库中挖掘潜在数据对抗攻击,同时优化候选集寻找频繁集的过程,然后利用关联分析检测对抗攻击,并通过可信度调度控制访问速率来防止产生恶意会话,实现小样本数据库对抗攻击防御.实验结果表明,潜在数据挖掘的防御算法可有效防御小样本数据库遭受的多种类型攻击,降低攻击产生的数据库欺骗率,保障小样本数据库服务器利用率的稳定性.

基于挖掘算法的用户大数据周期智能推荐仿真

随着互联网技术的快速发展,用户数量日益增长,社交网络平台对周期性智能推荐的需求也日益增加。为了解决当前智能推荐算法准确率低、推荐速度慢等问题,提出了一种基于挖掘算法的用户大数据周期智能推荐算法。算法首先采用协同推荐算法对用户历史行为进行分析,并通过数据相似性衡量智能推荐的效果,使用Top-N算法优化推荐过程,达到周期智能推荐的目的;然后采用基于神经网络的挖掘算法对智能推荐算法进行优化,挖掘长时数据关系的同时保持短时数据之间的非线性;最后通过引入灰色均衡算法对相似度计算优化,从而缩短推荐时间。实验结果表明,所提算法在相似度计算准确度方面提升7%,推荐精确度提升6%,召回率提升8%,有效地提高了数据周期智能推荐的精读和效率,提高了个性化服务的质量。

基于时间序列的局部离群数据挖掘优化算法

针对数据量较大和数据维度较高导致离群数据挖掘困难的问题,提出基于时间序列的局部离群数据挖掘优化算法。将角度优化的全局嵌入算法和共同核主成分分析法相结合构建AOCKPCA降维算法,对海量高维时间序列降维处理;在蚁群算法中引入K-means算法,提升蚁群算法运算效率,降低不稳定性;将降维后的时间序列输入到优化后算法中,实现局部离群数据挖掘。实验结果表明,采用所提方法挖掘离群数据的准确率较高,误判的离群点个数较少,说明其挖掘效果较好。

基于改进PSO粒子群及K-Means聚类算法的物联网数据挖掘查全优化研究

大数据云计算环境下的物联网数据挖掘与分析,是企业大数据项集采集、数据样本挖掘与统计分析关注的重要方向之一。通过基于云计算Hadoop分布式软件服务架构,建构起改进粒子群(Particle Swarm Optimization,PSO)优化算法、K-Means聚类挖掘算法,设置自调节惯性权重、云变异算子进行不同类别物联网数据提取、全局搜索、极值追踪与更新,构造聚类函数完成不同数据项集的聚类分析,进而解决海量物联网数据的挖掘与计算问题、保证自适应聚类数组的采样查全准确率。

基于改进模糊聚类算法的大数据随机挖掘仿真

大数据挖掘是从大量有噪声的、随机模糊的大数据中提取有价值信息的过程,由于海量大数据具有多维性、稀疏性以及动态性等特点,准确获取其分布特征的难度较大,随机挖掘难以直接实现。为此提出基于改进模糊聚类算法的大数据随机挖掘方法。利用建立的语义概念树模型获取大数据的特征分布关系,并根据模糊语义分析法得出大数据的语义相似性、关联性条件,提取大数据特征。优先确定最佳聚类数,采用改进模糊聚类算法对其聚类,实现基于改进模糊算法的大数据随机挖掘。实验结果表明,上述方法的大数据模糊聚类效果较好,随机挖掘准确率可达到95%以上,实验所得结果验证了上述方法较强的应用有效性。

基于数据挖掘算法的精准营销方法

以标准化流程为基础,抽取营销数据中的关键性指标;采用无量纲转换方式,对关键指标的精准营销尺度进行统一转化;通过数据挖掘算法标定尺度关系,基于数据之间的逻辑关系实现精准营销。实验结果表明:以不同类型用户作为营销变量,通过新方法可以实现不同需求的精准匹配,具有应用价值。

基于聚类分析优化算法的数据快速挖掘与智能筛选

为进一步提高数据挖掘算法的处理速度和计算精确度,提出一种基于电力信息数据聚类分析的数据挖掘算法设计。该算法依据聚类分析原理,采用基于密度的聚类方法和相异度矩阵对数据和数据类型进行筛选和相异度计算,并基于聚类分析框架设计数据挖掘算法流程。在数据挖掘算法基本策略下对输入的数据采用SLIO算法处理离散字段,输出需要的数据结果。仿真结果表明,相比其他配网自动化系统数据挖掘算法,所设计算法在数据挖掘速度和准确度上均体现出较好的优势,具有良好的可信度。

基于关联规则算法的电力企业财务信息异常数据智能挖掘方法

常规的电力企业财务信息异常数据挖掘方法以集群挖掘与分段挖掘为主,同一类别的异常数据挖掘效率较低,影响财务数据整合效果。因此,本文设计了基于关联规则算法的电力企业财务信息异常数据智能挖掘方法。此方法标注电力企业财务信息数据挖掘异常点,建立电力企业财务信息数据集,逐步探查数据集中的异常数据,并将异常数据汇总到一个数据单元中,形成财务信息数据异常点。本文基于关联规则算法挖掘电力财务异常频繁项集,在电力财务数据异常点中,挖掘出存在价值的信息,确保异常数据挖掘的准确性。采用对比实验,验证了该方法的数据挖掘准确性更高,能够应用于电力企业财务管理工作中。

基于FP-growth算法的高维混合属性数据挖掘方法

常规高维混合属性数据挖掘方法多采用云平台技术,无法完整保留数据的结构相似性,使得数据挖掘效率较低。为此,提出了基于FP-growth算法的高维混合属性数据挖掘方法。为了改善数据质量,根据高维混合属性数据在数据库中的存储结构,采用了一种固定算法实现数据去噪,并依据数据类型计算分类型和数值型相似度,结合FP-growth算法对频繁项样本分支进行筛选生成项表头,保证数据结构相似性的完整性,通过搜索项表头输出有效关联规则,实现数据挖掘过程。实验结果表明,所提方法具有较高的挖掘效率。

基于数据挖掘技术的智能仪器数据推荐算法

单机、手工管理监测数据效率低,数据的实时性和准确性不高。为了有效地对海洋生态环境的优劣进行评价,以海洋环境的数据推荐为研究对象,对智能仪器数据推荐系统进行设计。该系统主要包括数据应用系统、数据处理系统、通信系统、数据采集系统和数据库。通过卫星遥感采集海洋相关信息,采用K均值(K-means)和先验(Apriori)算法获取参数之间的关系,利用决策树算法对海洋生态环境进行有效评价。采用模糊C均值聚类算法对海洋出现赤潮进行分析、预测。为了验证系统有效性,对系统进行海洋生态环境分析试验和赤潮预测试验。试验结果表明,系统可以有效分析海洋生态环境,并对赤潮进行较为准确的预测。

云计算视域下数据挖掘算法探讨

云计算的产生为大规模数据处理提供了良好支持,而要获取其中有用的数据信息还需要借助数据挖掘算法。基于此,本文从云计算视域出发,探究了Hadoop分布式系统结构,分析了现有K-means数据挖掘算法工作过程与存在的主要不足,并提出了优化的K-means数据挖掘算法。通过实验对比结果表明,优化后的算法在处理各个数据簇样本时,不管是数据收集覆盖率,还是数据中心点确定准确率都更好。同时,优化的K-means数据挖掘算法在不正确数据数量上要更低。由此证明,优化的K-means数据挖掘算法具有良好的应用效果。

小样本机器学习下数据多尺度挖掘算法设计

数据多尺度挖掘是指在数据挖掘过程中考虑不同尺度的数据信息,由于数据中存在大量特征,为了提高信息处理效率,且更精准地划分数据类型,提出一种小样本机器学习算法下数据多尺度挖掘方法。将使用者的部分动作抽象,建立网站页面会话用于学习不同的事件内容,获得小样本数据信息。通过复值函数构建Hibert空间,计算出样本元素再生核,提取小样本数据特征;利用特征向量构造特征矩阵调节数据间平衡性,得到数据相对熵。建立多尺度信息数据库,使用机器学习下逻辑回归离散化数据特征值,挖掘复杂项集指标的支持度,实现精准的数据多尺度挖掘。通过实验证明,所提方法数据分类效果好,挖掘准确率高,耗费时间少。

数据挖掘聚类算法在电力系统中的应用

针对电力系统当前输出数据多、数据应用能力差等问题,提出一种新型的数据挖掘方法。构建改进型数据挖掘聚类算法模型,通过FCM聚类算法模型实现电力系统应用过程中不同状态数据分析、计算与应用;构建回归算法模型,实现分类后数据信息的预测;通过构建电力系统应用模型,将不同的数据信息融合后,实现了多种数据信息的挖掘与应用。实验证明,该研究方法分类能力强、预测精度高,可推广使用。

基于关联分析FP-Tree算法的企业风险信息数据在线挖掘方法

现阶段的数据挖掘方法缺少对数据关联分析的过程,挖掘效果较差,故文章提出基于关联分析频繁模式树(FrequentPattern Tree, FP-Tree)算法的企业风险信息数据在线挖掘方法。选取与企业风险相关的信息指标,收集有关数据并进行预处理操作后,设计一种考虑关联分析的FP-Tree算法,生成FP-Tree节点的条件模式树挖掘频繁项集,计算满足最小置信度的频繁项集,实现企业风险信息数据在线挖掘。实验结果表明,所用方法挖掘量和挖掘效率较高。

大数据平台中基于深度学习的数据挖掘算法优化与系统设计

在信息时代的快速发展背景下,大数据技术的广泛应用已经渗透各行各业,带来了海量的数据资源。然而,如何从这些数据中挖掘出有用的信息,为企业的决策提供支持,成为一个亟待解决的问题。文章旨在优化大数据平台的数据挖掘算法,并通过系统设计与技术实现,提升电力数据挖掘的准确性。采用算法优化方法包括模型压缩、参数调优和并行计算等,以提升深度学习模型的性能。基于此,文章提出构建高效、可扩展的数据挖掘平台。经过优化后,深度学习模型预测准确率在95%以上。此外,通过并行计算和分布式存储,数据挖掘平台的处理速度提高了2倍,能够处理更大规模的数据集。优化方法的应用显著提升了模型的性能和平台的处理能力,为大数据挖掘提供了技术支持。

数据挖掘算法在物流企业风险管理与评估中的应用

1.引言随着大数据时代的到来与经济的不断发展,物流企业管理人员面对的数据呈现丰富化、多样化的趋势,这为善于使用从数据中挖掘出有用信息的物流企业带来了全新的机遇,也给粗放式管理的物流企业带来了新的挑战。如何从繁杂的数据集中发掘出有价值的信息,对每个希望在大数据时代实现风险管理与评估的物流企业都具有重要的研究意义。