一种基于多元组决策表的缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法。从不一致决策表中快速、有效地挖掘出缺省规则是决策规则挖掘研究的一个热点。该文改进了MDRBR算法,引入了广义支持度概念,并提出了一种基于多元组决策表的缺省规则挖掘算法-MTMDRBR算法,有效地解决了不一致多元组决策表的缺省规则挖掘问题,具有重要的实用意义。     

一种基于Rough集的缺省规则挖掘算法

Rough集方法是一种处理不确定或模糊知识的重要工具,对基于Rough集理论的缺省规则挖掘算法进行研究,在引入规则支持度概念后,提出了一种基于Rough集的缺省规则挖掘算法MDRBR。实验结果表明,该算法能较好地过滤噪音,提高规则的挖掘效率。     

一种基于Rough集的兴趣缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确，不完全与不相容知识的数学方法，从不一致决策表中快速，有效地挖掘出缺省规则是决策规则挖掘研究的一个热点，文中引入了决策规则的相似度概念，并提出了基于Rough集的兴趣缺省规则挖掘算法（IDRMA），依据IDRMA算法对决策规则进行合理的分类，可获取用户的兴趣缺省规则。     

基于粗糙信息向量的一种决策规则获取算法

针对不一致信息系统中决策规则获取问题,提出了一种基于粗糙信息向量方法的决策规则挖掘算法。基于粗糙信息向量,利用条件向量对决策向量的决策支持能力,直接从决策表中挖掘出符合阈值要求的尽可能简洁的决策规则,且不损失条件属性值的决策支持能力。利用该算法可以挖掘出决策系统中条件属性在各个简化层次情况下的确定性规则和缺省规则集合。理论分析和实例表明该算法在不一致信息系统中的决策规则获取上是可行的。     

基于时序和兴趣度约束的加权关联规则挖掘算法研究

为了解决关联规则挖掘算法中频繁集信息挖掘不完善和时序周期对事务集频繁项挖掘的影响问题,提出了一种基于时序和兴趣度约束的加权关系规则挖掘算法。该算法首先利用时序滑动函数对时序事务集进行发生概率估算和权值赋值,依据兴趣度约束函数和剪枝定理进行事务集化简,然后根据支持度和寿支持期望进行加权频繁事务集抽取,最后依据置信度进行加权关联规则导出。实验结果证明,该算法能够快速有效地挖掘出符合用户兴趣度的关联规则。     

一种非频繁关联规则挖掘算法

针对关联规则挖掘问题提出一种新的算法，探讨商品与利润间的关系，称为权重式多重支持度关联规则挖掘算法。此算法可针对不同利润的商品定出不同的支持度阈值，由此产生的关联规则，可以解决高单价但交易次数稀少的商品不易被挖掘的问题。     

基于粗糙集和单事务项组合的关联规则挖掘算法

Apriori算法必须反复地扫描数据库才能求出频繁项集,效率较低,且不支持更新挖掘。为了解决这些问题,提出了一种基于粗糙集、单事务项组合和集合运算的关联规则挖掘算法。本算法首先利用粗糙集进行属性约简,对新决策表中的每个事务进行“数据项”组合并标记地址,然后利用集合运算的方法计算支持度和置信度即可挖掘出有效规则。本算法只需要一次扫描数据库,同时有效地支持了关联规则的更新挖掘。应用实例和实验结果表明,本算法明显优于Apriori算法,是一种有效且快速的关联规则挖掘算法。     

最大值控制的多最小支持度关联规则挖掘算法

大部分关联规则挖掘算法使用同一最小支持度阈值进行挖掘,但在实际使用中由干各项目发生频率的不同,理应有不同的最小支持度支持。该文提出了一种多最小支持度关联规则挖掘算法,为每一项目设置一最小支持度,同时在生成舒选集和最大频繁集的过程中使用最大值控制来实现剪枝,有效地提高了该算法的效率,最后用一个超市销售物品的例子来说明该算法的使用。     

基于关联模式挖掘的决策规则提取方法

在数据挖掘领域,关联规则的挖掘和基于粗糙集理论抽取决策规则是两种截然不同的方法,但在统计意义下两种方法产生的规则基本相同。结合关联规则挖掘方法和粗糙集方法的优点,基于Apriori算法提出一种优化算法,获取具有一定支持度和可信度阈值且不产生冗余的决策规则,以提高粗糙集属性值约简算法的性能。     

多最小支持度的加权关联规则挖掘算法

针对数据集中交易记录和数据项的重要性不同问题,提出了一种多最小支持度的加权关联规则挖掘算法,允许用户设定多个最小支持度,给出交易记录不同的权重,从而发现有价值的关联规则。该算法按项目的最小支持度升序对交易记录进行分类,按类别依次求出每一类别内的加权频繁集。在挖掘过程中由于剔除了冗余项目并对相同项集累加计数,且不需多次重复扫描数据库,从而提高了挖掘效率。实验结果表明,新算法能有效地从数据集中挖掘出加权关联规则。     

基于信息增益的缺省规则的挖掘方法

Rough集方法是一种处理不确定或模糊知识的重要工具。论文在现有的基于Rough集理论的缺省规则挖掘算法的基础上,将单属性信息增益概念扩充为多属性的情况,提出了基于信息增益的缺省规则的搜索策略和挖掘方法。实验表明,该方法能够发现简洁、易理解和实用的规则,同时具有较低的计算复杂性。     

基于信息增益的最佳属性集发现方法

怎样挖掘出简洁、紧凑、易于理解和有效的分类规则一直是研究人员和领域专家所面临的问题 .而通过发现最佳属性集是解决该问题的一种有效途径 .本文在 Rough集理论的基础上 ,将单属性信息增益概念扩充为多属性的情况 ,并引入到最佳属性的发现中 .实验表明 ,该算法能够挖掘出简洁易于理解和使用的规则 ,并且具有较高的分类能力     

有效决策的增式生成算法

粗糙集理论是一种进行数据挖掘的新的重要工具。针对传统粗糙集理论在数据挖掘应用方面的不足提出了有效度(可靠度)的概念,并给出了一种关于有效决策的增式生成法。实例表明,该算法具备处理大数据库和动态递增数据的功能,可有效地过滤噪声,提高了规则的挖掘效率。     

一种基于概率粗糙集模型的增量式规则学习算法

提出了一种基于概率粗糙集模型的增量式规则学习算法.该算法能够有效地从不一致和含有噪声的决策表中提取带有确定性因子和支持数的决策规则,并且所提取出的规则具有很好的抗噪声能力.同时,算法的动态调整策略可以满足规则的动态更新.最后将该算法应用于一个实例分析中,提取了满足给定参数的决策规则,分析结果验证了该算法在规则提取中的合理性.     

一种不确定性条件下的自适应知识学习方法

通过研究决策表和决策规则的不确定性，分析了由不分明关系划分的粒度引起的规则不确定性的两个方面，即不一致性和随机性，建立基于信息熵和粗糙集表示的不确定性信息度量的方法．利用该方法计算决策表局部最小确定性，并以此为阈值来控制规则集生成的数量，避免不必要的冗余规则的生成．同时结合Skowron的缺省规则获取算法，实现了没有领域先验知识条件下的不确定知识的自适应学习过程．试验结果表明．阈值的选取是合理的，在保持较高的决策正确率的同时，有效地控制了规则集的生成．     

一种基于Rough集获取规则知识的增量式学习方法

将Rough集理论应用于规则归纳系统,提出了一种基于粗糙集获取规则知识库的增量式学习方法,能够有效处理决策表中不一致情形,采用启发式算法获取决策表的最简规则,当新对象加入时在原有规则集基础上进行规则知识库的增量式更新,避免了为更新规则而重新运行规获取算法。并用UCI中多个数据集从规则集的规则数目、数据浓缩率、预测能力等指标对该算法进行了测试。实验表明了该算法的有效性。     

基于拓展粗糙集的不完备表的规则挖掘及应用

实际应用中常存在缺省属性值的不完备信息系统,如何从不完备信息系统中挖掘有用规则是一个非常有价值的问题。粗糙集理论是一种有效的数据挖掘手段,但经典粗糙集缺乏对不完备信息系统的处理能力。在粗糙集拓展的基础上,设计出从不完备决策表中挖掘出有用规则的算法,并将其应用到银行贷款决策中不完备决策表的实例分析中。