共查询到10条相似文献,搜索用时 31 毫秒
1.
周翠红 《中国新技术新产品》2009,(23):43-44
传统的基于支持度-置信度框架的关联规则挖掘方法可能会产生大量不相关的、甚至是误导的关联规则,同时也不能区分正负关联规则。本文提出了一种评价关联规则的可量化标准,进一步提出一种能同时挖掘正负关联规则的框架,实验证明该方法是有效的。 相似文献
2.
3.
为了从白车身工艺规划数据库中提取潜在的、有价值的焊接工艺知识,应用关联规则提取了典型焊接类型。首先建立了提取典型焊接类型的关联规则模型,然后对影响焊接类型的各种属性分类,并根据焊接工艺要求对数值属性离散化,采用Apriori算法提取频繁属性项集。将分属不同属性的项连接生成候选项集,以焊接类型作为规则的后件,根据最小置信度获取强规则。最后对某白车身的焊接数据进行处理,为了能够提取合适的焊接类型,采用较低的支持度和较高的置信度,获取的结果对焊接类型的选择有很强的参考价值。这种方法有助于实现白车身工艺规划的智能化,提高了工艺规划的效率。 相似文献
4.
关联规则挖掘其主要研究目的是从大型数据集中发现隐藏的、有趣的、属性间存在的规律与数据间的联系。关联规则挖掘算法主要目的是从事务数据集项间挖掘出有意义的关联关系。Apriori算法是关联规则挖掘算法中最经典的方法。由Apriori算法产生的候选项集仍是巨量的。通过对Apriori算法中的候选项集支持频度的深入研究总结五条规律,并将这五条规律应用到Apriori算法中。 相似文献
5.
介绍了关联规则的基本概念,利用Apriori算法得出频繁项目集,结合最小支持度和最小之置信度,确定各门课程之间的联系,为研究生的选课提供一定的参考。 相似文献
6.
利用Apriori算法和FP-growth算法挖掘密集型数据集的全部频繁项集代价高昂,针对该问题提出一种基于链表数组的关联规则挖掘算法,该方法使用链表数组为每个项目建立事务链表,只需要扫描数据库1次,就能够快速得到每个候选项的支持度,从而有效的发现频繁项集。通过与经典算法分析对比表明,该算法具有较快的挖掘速度。 相似文献
7.
8.
关联规则挖掘算法综述 总被引:25,自引:0,他引:25
介绍了关联规则挖掘算法的基本原理,并按照挖掘中涉及到的变量数目(维数)、数据的抽象层次和处理变量的类别(布尔型和数值型),依次对关联规则挖掘算法的研究进行综述,并对一些典型的算法进行分析和比较,最后展望了关联规则挖掘算法的研究方向。 相似文献
9.
10.
通过对毕业生跟踪调查数据的挖掘,发现和分析课程之间的关联关系,结合先验知识,通过调整置信度、支持度,分析频繁项集,找出重要课程和关键技能,符合提高学生理论水平与实际技能的高职培养目标,为学校进行项目课程的教学改革提供参考依据。 相似文献