最大模糊频繁模式挖掘算法

针对有效模式挖掘的组合爆炸及挖掘结果信息如何有效表达的问题,提出了一种基于"核心-牵引"结构的修剪候选模式和考虑项目不确定性的最大模糊模式挖掘算法(MFFP-Tree)。首先,综合分析项目的模糊性,提出模糊支持度,分析项目在事务数据集中的模糊权重,依据模糊修剪策略修剪候选项集;其次,仅扫描数据集一次,就能成功构建模糊模式挖掘树,依据模糊剪枝策略减少模式提取的开销,采用FFP-array阵列结构使得搜索方式更精简,从而进一步降低时空开销。根据基准数据集的实验结果,与最大模式挖掘算法PADS和FPMax*对比分析,MFFP-Tree挖掘出的最大模糊模式能够更准确地反映项目与项目之间的关系;算法的时间复杂度能减半甚至低1个数量级;算法的空间复杂度降低1~2个数量级。

面向大规模医疗数据的模糊频繁模式挖掘研究

基于支持度—置信度框架的传统模式挖掘方法其挖掘结果具有欺骗性,同时多数情况下,项目分部频度范围较大、阈值过高,导致无法获取有效规则。研究提出基于核心—吸附结构的模糊模式挖掘方法,对项目进行模糊化分析,充分考虑模式之间模糊权重因素,构建FFP树。从而较好地解决低频度有效模式的挖掘难题。