基于概念层次树的数据挖掘算法的研究与实现

1 引言 随着计算机技术、特别是数据库技术的发展,多年来,在冶金企业中,积累了海量的生产现场参数,它们以各种形式存放在数据库中.如何通过对这些数据的分析和处理,发现其中潜在的、未知的规则和知识, 以便从中找到影响产品质量的原因,达到提高产品质量、降低成本等目的,是亟待解决的问题,数据挖掘技术为此提供了有利的支持.

基于属性归纳的中药方剂数据挖掘

传统的面向属性归纳技术(AOI)存在概化粗糙及算法效率较低等缺陷。为适应中药方剂数据挖掘的复杂需求,提出基于中药数据驱动的属性关联概化算法;为关联的维度创建概念树,利用关联属性与基准属性的相关性以提高归纳的效率,实现了面向属性关联归纳的数据挖掘系统TCMDBMiner。实验结果表明,新算法较传统算法的归纳概化效率提高了23%以上,挖掘结果符合中医理论。

一种新的面向属性归纳中概念层次技术研究

面向属性归纳的方法目前是数据挖掘主要技术之一.在分析基本的面向属性归纳算法不足的基础上,提出了一种概念层次优化技术,包括:将基于规则的概念图转化成一棵概念树;对于不平衡的概念树,再转化成平衡的概念树;用节点集合来记录数据库中每个元组在概念层次中的泛化路径.利用置信度、支持度和LS充分性因子等评价指标对学习结果进行取舍.最后,将算法在爱尔兰教育经历数据库分析中进行了应用测试,结果显示了算法更加有效,适用性更强.

用探测性的归纳学习方法从空间数据库发现知识

将探测性数据分析、面向属性的归纳和Ｒｏｕｇｈ 集方法结合起来，形成了一种灵活通用的探测性归纳学习方法ＥＩＬ，可以从空间数据库中发现普遍知识、属性依赖、分类知识等多种知识。同时提出和总结了多种生成空间数据库概念层次结构的方法用于归纳学习。

一种新颖的基于量化概念格的属性归纳算法

为了解决数据挖掘过程中挖掘的知识粒度过粗或过细问题,并利用概念格的偏序特性,提出了一种基于量化概念格的属性归纳算法.首先对概念格的外延进行量化,得到量化概念格,再根据概念格的哈斯图,采用概念的爬升进行相应的泛化,从而获得基于量化概念格的多层、多属性归纳.与面向属性归纳(AOI)算法相比较,结果表明所提算法不仅能实现AOI的单一属性归纳,还能进行多层、多属性的归纳,其属性泛化的路径不是惟一的,并且很容易在量化概念格的哈斯图中寻找合适的泛化路径和阈值,以此得到用户要求的、合理的属性归纳结果.

基于扩展概念格的属性归纳算法

由于面向属性归纳在进行属性归纳时难以设置适当的阈值,往往会造成概念提升的结果过于一般化或特殊,为此提出了基于扩展概念格的属性归纳算法.在扩展概念格中进行概念提升实现数据泛化,并根据相应的泛化路径,在相应哈斯图上找到合适的泛化阈值,进而得到较好的属性归纳结果.研究结果表明,基于扩展概念格的属性归纳算法在进行属性归纳过程中保留了完备的信息,减少了属性归纳的计算工作量,并具有直观、简捷的特点.

利用判定树归纳与面向属性归纳的组合方法对建筑业中施工企业的特征提取

文章采用数据挖掘技术中的判定树归纳与面向属性归纳相组合的方法,对“昆明建筑工程交易中心信息管理计算机网络系统”中施工企业关系数据库中的细节数据进行概念分层和特征提取,构造出容易解释和效率较高的判定树和分类规则,可为建设单位和建筑管理机构的决策者提供更直观地、更深入地了解施工企业的决策信息,据此选择具备承担招标项目能力、资信良好的企业,另一方面又能增强业主的工程施工风险防范能力,提高对建筑业施工企业的管理水平。

基于抽样的概念层次数据挖掘算法

一、引言 属性归纳算法的出现主要有以下几个原因.首先,虽然某些规律,如关联规则可以在基本概念层上发现[3,4],但是一些更让人感兴趣的规律一般只在更高的概念层上才能发现,并且表达得更简洁一些.因此有必要将数据库中的基本数据泛化到相对高的概念层上才能更有效地挖掘数据.

一种基于取样的概念层次数据挖掘新算法

本文分析了几种传统属性归纳算法 ,针对它们的不足 ,提出了基于取样的概念层次挖掘算法 ,它不仅可以处理不平衡的概念层次 ,而且得到的泛化规则可以反映实际的数据分布。此外 ,这种算法具有最优的时间和空间复杂性。实验证明 ,本文算法是有效。

寻呼系统中的数据挖掘

寻呼系统中的用户资料库数据具有多维性,如用户类型,开户时间,开户地点,联网方式,速率,BP机类型等。对此类数据的多维分析有助于了解系统负载,资源使用,用户分布,利润等情况。为此,论文运用概念描述的方法对广东省某寻呼台的用户资料库进行了数据挖掘。对寻呼台的领导层制定寻呼台的发展策略可以起到积极的作用。

基于抽样的概念层次挖掘算法

本文通过对数据挖掘的几种传统属性归纳算法的分析,发现它们存在以下不足:(1)不能处理不平衡的概念层次;(2)没有考虑实际数据分布对最后的泛化规则的影响。因此,本文提出了基于抽样的概念层次挖掘算法,它先采用抽样方法,对概念层次进行初步调整,然后扫描整个数据文件,利用扫描信息再次调整概念层次,最后通过统计调整后的概念层次的叶子信息就可以得到泛化规则。本算法不仅克服了传统算法的不足,而且具有最优的时间复杂度O(h)和空间复杂度O(c)。

基于量化扩展概念格的属性归纳算法

在知识发现过程中用户感兴趣的往往是一些高层次、适当概括的简化信息,面向属性的归纳是目前主要的数据归约方法,一般是仅考虑原始数据所提供简单的统计信息.本文提出的基于量化扩展概念格的属性归纳算法,采用概念的爬升进行相应的泛化来完成多层、多属性归纳.与面向属性归纳算法比较,该算法的泛化路径不是唯一的,在量化扩展概念格的哈斯图中容易找到合适的泛化路径和阈值,得到满足用户要求合理的属性归纳结果,以提供用户所需的不同粒度的知识.