PROLOG语言在数据挖掘Apriori算法中的实现

该文在介绍事务数据库及其关联规则的基础上,对挖掘布尔关联规则频繁项集的Apriori算法进行了具体描述,并使用ext-PROLOG语言加以实现。

一种基于布尔向量的Apriori改进算法

从分析布尔向量与项集支持度的相关性质入手,利用计算机的逻辑"与"运算的高效率性以及通过布尔向量计算项集支持度的简单性,提出了基于布尔向量的关联规则挖掘算法。该算法只需一次扫描数据库,无需候选项集和"剪枝"操作,极大地提高了算法的效率。

基于Apriori算法的病案首页数据分析

目的:大数据时代,数据成为决策最重要的参考之一。通过抓取病案首页数据,然后通过关联分析,从原始数据中挖掘出有用信息,为管理决策者正确把握医疗形式、客观分析问题,提供准确可靠的医疗统计信息。方法:运用关联规则数据挖掘算法Apriori算法,对2016年病案首页数据的关联性进行分析和挖掘,探索出院科室与性别,病人类型、住院天数、总费用,药费的关联规则,分析住院病人的结构比情况,并分析其结果。结果:对2016年所有出院患者病历首页进行Apriori算法分析,提取一部分有用rule,得到住院病人结构比情况;神经内科、脑梗死与总费用、药费的关联规则;妇产科早孕人工流产(妊娠12周之前),稽留流产,胎膜早破,单胎顺产这几种疾病总费用、药费及住院天数关联情况,并且用不同的图表展现出来。结论:基于Apriori算法关联规则挖掘,可以从海量数据中挖掘出隐含的、先前未知但潜在的有用信息。关联规则挖掘是当前数据挖掘领域中最受瞩目的研究方向之一,具有重要的研究价值和广阔的应用前景[1]。

基于Apriori算法的重新犯罪关联规则挖掘

以犯罪人员信息关联关系为重新犯罪数据分析切入点,构建了犯罪次数与犯罪人员信息的数据挖掘模型,以寻找重新犯罪的潜在规律。提出了使用Apriori算法对犯罪人员数据进行关联规则挖掘的方法。最后,通过试验验证了其可行性。该方法已成功应用于警用系统。

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.

商品交易数据关联规则挖掘在R中的实现

利用R语言的arules包及Apriori算法对商品交易数据进行关联规则挖掘,通过逐步调整支持度和置信度阈值并通过提升度分析验证,可以有效保证挖掘结果的质量,然后可以可视化方式直观显示关联分析结果。该关联规则挖掘思路可应用于电子商务领域及其他相关领域。

基于数据挖掘算法的通信网络多源数据处理与分类

通信网络多源数据冗余程度高、传输信息量大,而通过改进Apriori算法挖掘通信网络多源异常数据的关联规则特征,可以实现多源数据的正确分类。本文基于全局信息融合策略对原始采集的通信网络多源数据实施预处理,降低通信网络信息冗余;引入布尔矩阵辅助生成Apriori算法的候选项集与频繁项集,获得通信网络多源异常数据的关联规则,基于该关联规则构建分类器,实现通信网络多源数据分类。