首页> 中文学位 >基于权重的一种Apriori改进算法
【6h】

基于权重的一种Apriori改进算法

代理获取

目录

文摘

英文文摘

声明

第1章引言

1.1概论

1.2关联规则挖掘算法研究现状及其应用领域

1.3问题的提出

1.4课题研究背景

1.5论文安排

第2章 数据挖掘

2.1数据挖掘的一般性讨论

2.1.1什么是数据挖掘

2.1.2数据挖掘的功能

2.2数据挖掘面临的主要问题

第3章 关联规则挖掘

3.1挖掘关联规则的一个典型例子

3.2关联规则的几个基本概念

3.3关联规则的分类

3.4挖掘关联规则的基本步骤

3.5提高关联规则挖掘效率的一些方法—提高Apriori的有效性

第4章Apriori算法

4.1 Apriori算法流程图

4.2关于Apriori算法的图示

4.3关于Apriori算法的说明

第5章 Apriori算法的改进算法——Apriori_Weight_MF算法

5.1产生Apriori_Weight_MF算法的动机

5.2 Apriori_Weight_MF算法的设计过程

5.3基集概叙

5.3.1利用“动态扩散”方法产生基集

5.3.2基集的表示

5.4设计支持度函数

5.4.1关于权重变量的几个定义

5.4.2权重变量的初始化

5.4.3设计支持度函数

5.5编写算法代码

5.6利用Apriori_Weight_MF算法挖掘的一个例子

5.7总结和展望

参考文献

致谢

在校期间发表论文

展开▼

摘要

数据挖掘是从存放数据库、数据仓库或其它信息库中的大量数据中挖掘有趣知识的过程。它包含关联规则挖掘、预测、分类、聚类、演化分析等多种技术手段,其中关联规则挖掘是一种主要的也是用途最广的数据挖掘方法。 关联规则概念最早是由在IBM工作的Rakesh Agrawal博士于1993年提出的,用于刻划事务数据库中交易项目之间的关系,即频繁关系。其研究己有10余年时间并取得了很多成果,但还有很多问题亟待解决。本文对此作了详细介绍,并对关联规则挖掘理论特别是关联规则挖掘算法进行了研究,取得了一定的研究成果。 本文首先介绍了数据挖掘的基本概念、存在问题及发展方向。典次介绍了关联分析的基本概念、分类及一些常见的算法思想,其中着重讨论了挖掘关联规则的经典算法一Apriori算法的基本思想,并介绍了旨在提高该算法效率的一些变形算法。最后,针对如Apriori的传统算法存在的一些问题,提出了一种基于种子项和权的新算法-Apriori_Weight_MF算法,并详细讨论了该算法的设计思路、设计过程及性能研究。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号