一种量化关联规则挖掘算法

提出了一种新的挖掘量化关联规则的方法。该方法使用聚类算法把数据库中的交易记录分成若干个簇,把簇投影到数值型属性所在的域,形成重叠的、有意义的区间。实验结果显示,这种方法能够有效地挖掘量化关联规则,并且能够发现以前的算法可能遗漏的重要的规则。

用模糊方法挖掘量化关联规则

量化关联规则挖掘的一个关键问题是对连续数量值属性的划分,论文采用模糊划分来解决这个问题,实现了数据的平滑过渡,并在此基础上给出了模糊量化关联规则的形式化定义和挖掘算法。

量化关联规则的隐私保持挖掘方法

根据数据库中量化属性值和分类属性值数量的不同,分别提出了基于布尔关联规则的量化关联规则隐私保持挖掘方法和基于部分变换机制的量化关联规则隐私保持挖掘方法。对于每一种方法都进行了隐私度和正确度分析,并通过实验证明了其正确性和可行性。

基于属性互信息熵的量化关联规则挖掘

在量化关联规则挖掘中存在量化属性及其取值区间的组合爆炸问题,影响算法效率。提出算法BMIQAR,通过考察量化属性间互信息熵,找到具有强信息关系的属性集,从中得到频繁项集以产生规则。实验表明,由于在属性层进行了剪枝,因此缩减了搜索空间,提高了算法的性能,且能得到绝大多数置信度较高的规则。

基于数据场的量化关联规则挖掘研究与实现

目前,对布尔型关联规则的挖掘研究已较成熟,而对量化关联规则的挖掘研究相对较少,并且采用的挖掘方法多是将量化属性进行离散化处理,进而转化为布尔型关联规则进行挖掘。但传统的对量化属性离散化处理的方法存在区间划分过硬的问题,因此提出一种基于数据场的量化关联规则挖掘方法。该方法避免了区间划分过硬问题,同时也充分考虑了数据集中数据的非完备性以及每个数据对数据挖掘任务所发挥的不同作用。实验证实了该方法的有效性。

量化关联规则挖掘及算法

提出了一种新的量化关联规则挖掘算法QAR及其增量式更新算法IUQAR .算法以模糊集理论为基础 ,利用模糊概念表示量化属性属性间的关联关系 ,克服了传统的离散分区方法的不足 ,使得规则的表示自然、简明 ,有利于专家理解 .同时 ,给出的算法IUQAR ,有效地解决了规则的维护问题 .

基于数据场的量化关联规则挖掘方法设计

目前关联规则挖掘多集中在布尔型关联规则的挖掘,对量化关联规则的挖掘研究较少,传统方法多是将量化属性离散化,进而转化为布尔型关联规则的挖掘。为了克服传统方法中区间划分过硬问题,本文设计了基于数据场的量化关联规则挖掘方法,并使用数据场的场量定义支持度和置信度的计算公式。该方法充分考虑数据集中数据的非完备性以及各个数据对数据挖掘任务所发挥的不同作用,可使得挖掘得到的关联规则更精确。

基于多目标烟花优化算法的正负量化关联规则挖掘

为同时获得正负量化关联规则,并尽量减少人为干预的影响,在多目标烟花优化算法的基础上,提出一种正负量化关联规则挖掘算法。引入全面搜索关联规则,使用外部库存放非支配解,通过基于相似度的冗余淘汰机制保持库中关联规则的多样性,经多次迭代获得关联规则集合。实验结果表明,该算法无需人为指定支持度、置信度等阈值,一次运行后即可获得正负关联规则。此外,与Apriori算法及单目标进化算法相比,该算法在不同数据集上均可得到稳定的结果,能充分覆盖数据集,在可靠性、相关性及可理解性之间获得较好的均衡。

MPSQAR:无损语义的量化关联规则挖掘算法(英文)

在挖掘量化关联规则的过程中,由于对量化值的划分,将产生语义损失。为避免这种情况,提出基于无损语义的算法MPSQAR来处理量化关联规则的挖掘。主要工作包括:(1)提出规泛化量化值的新方法;(2)提出反映属性值分布的属性权重设计方法;(3)扩展加权关联规则模型以处理量化关联规则,避免量化值的划分;(4)提出挖掘传统布尔关联规则和量化关联规则的集成方法;实验表明算法MPSQAR的有效性和时间消耗随时间趋势呈线性增长。

量化关联规则的隐私保持挖掘算法

为了保证用户信息不被有意或无意地泄漏,根据数据库中量化属性值和分类属性值数量的不同,分别提出了基于布尔关联规则、基于部分变换机制和基于概率变换的量化关联规则隐私保持挖掘方法.对于每一种方法都进行了隐私度和正确度分析,并通过实验验证其正确性和可行性.

量化关联规则的几种开采算法及其比较

关联规则的发现是数据挖掘的一个重要方面 ,而数量关联规则的发现不同于传统的布尔型关联规则。属性值的离散映射是挖掘定量关联规则的一个重要环节 ,离散映射中属性值区间的划分粒度是影响数据挖掘质量的一个重要因素。该文介绍几种发现大型事务数据库中数量关联规则的算法 ,并对他们加以比较。

基于模糊理论的量化关联规则挖掘算法

提出一种基于模糊理论的关联规则挖掘方法来处理数量属性,模糊理论能够实现数据的平滑过渡,使得挖掘出的关联规则具有高度的可理解性,给出了模糊关联规则的形式定义和挖掘算法。

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。

量化关联规则在高校就业信息数据中的应用

针对就业信息数据中存在着大量的量化属性和分类属性等现象,提出了一种基于k-means的量化关联规则挖掘方法。该方法利用聚类算法k-means对量化属性进行合理分区,将量化属性转化为布尔型;利用改进的布尔关联规则方法对此进行关联规则挖掘,找出学生的受教育属性和就业属性之间的关联性;对挖掘出的规则进行分析和运用。就业信息数据实验证明,文中所提方法对就业信息进行挖掘是有效的、可行的。

一种改进的量化关联规则算法在零售业中的应用

以超市的量化属性为研究对象,提出一种基于模糊聚类和减类聚类的量化关联规则算法。该算法基本思想是把模糊聚类技术融入到离散化过程中,使数据离散到合理的区间,再利用经典的布尔关联规则挖掘算法Apriori进行挖掘。实验证明,这种方法能够有效挖掘量化关联规则,提高交叉销售的可能性。

基于模拟退火的量化空间关联规则挖掘

目前在空间关联规则挖掘研究中,对数据的处理和算法的改进主要针对布尔关联规则挖掘,存在对空间关联规则的量化表示不够重视等问题。在FP-growth算法的基础上增加规则的事务信息,并使用模拟退火算法,对得到的规则进行进一步挖掘,得到量化空间关联规则。

量化关联规则的挖掘研究

现今,数据挖掘技术已经被人们广泛应用,而关联规则的挖掘是数据挖掘技术的关键所在,本文介绍了关联规则概念,并比较了量化关联规则挖掘的几种算法,提出了利用相关性分析,提高知识的有效性。

基于多目标烟花算法的关联规则挖掘

针对量化关联规则的特点,提出基于多目标烟花算法和反向学习的量化关联规则挖掘算法.该算法通过多目标烟花算法全面搜索关联规则,引入反向学习提高算法收敛速度并降低算法陷入局部最优的概率,使用基于相似度的冗余淘汰机制保持库中关联规则的多样性,经过多次迭代最终获得关联规则集合.文中算法无需人为指定支持度、置信度等阈值,实验表明,算法在不同数据集上均获得稳定结果,能充分覆盖数据集,在可靠性、相关性及可理解性之间获得较好的均衡.

基于遗传算法的状态监测信息关联规则挖掘

提出了基于遗传算法的量化并联规则方法,挖掘起重机状态监测信息数据库中的关联规则。利用该算法对部分数据进行关联规则挖掘,并对发现的规则进行了比较分析,认为关联则反映起重机的机械状态,为评估和预测其机械状态提供信息。

基于Apriori的关联规则算法及其在电厂中的应用

针对目前电厂历史运行数据的挖掘技术对于高维度,存量大的样本数据存在挖掘效率低下,算法运行过程中部分参数设置无理论指导以及目标参数值确定不合理等问题,提出一种基于Apriori算法框架的改进量化关联规则挖掘算法。它以电厂运行经济性为目标,利用目标制导对样本空间进行样本维约束和数量压缩,进一步提高解决该类问题算法的挖掘效率和参数目标值确定的合理性。通过对某300MW机组运行数据的分析表明:改进量化关联规则算法能够提高数据挖掘效率并完成电厂参数目标值的合理确定。