经典数据挖掘算法比较分析

随着数据挖掘的应用日益逐渐广泛，对数据挖掘算法的研究逐渐得到了重视。本论文分析了三种经典的数据挖掘算法，Apriori算法，FP—growth算法和STBA算法，分析了它们各自的优缺点，并进行了对比，对于推动进一步改进现有的数据挖掘算法及实现数据的有效挖掘都具有一定的借鉴意义。     

数据挖掘中关联规则的频繁项集研究及算法设计

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。     

一种基于多值属性的改进Apriori算法

随着大量需要被挖掘的数据变得越来越复杂,多维关联规则已经成为关联规则挖掘中最实用的内容之一.本文主要介绍了在多维关联规则挖掘过程中,针对同一种属性数据出现重复连接的情况,由此而提出的一种解决方案.通过对多值属性信息进行比较,去除重复连接的属性信息,保留有效信息,减少对数据库的扫描.由此对Apriori算法中连接步进行改进,最后通过布尔型关联规则挖掘数据信息并得到结果.相较于Apriori算法,改进算法能更加快速准确地发现知识,缩短挖掘所用的时间.     

数据挖掘技术与关联规则挖掘算法研究

随着人们对信息数据量的急速增长从而数据挖掘技术也随之应运而生,这使得人们对知识与信息的渴求得到了进一步满足。对于如何才能快速高效的获取知识,对于信息处理技术来说已经成为当前热门的研究课题。审视当前对于关联规则的研究现状,针对关联研究的现状,分析实际问题对于关联规则总结出一种新的研究方式,结论为关联规则算法在今后的出路和进一步的研究上指明了方向。研究过程中通过对文献的查询分析和比较分析两种方法,进一步阐述对典型关联产生影响的各种方法,其中最为重要的是把核心Apriori算法作为一个研究的基点。     

Apriori算法在教学质量评估系统中的应用

以开发教学质量评估系统为背景,重点阐述关联规则中的Apriori算法在评估系统中的运用,并以实例说明.     

基于Apriori算法的课程成绩关联规则挖掘研究

数据挖掘中的关联规则挖掘能够发现大量数据中项集之间有趣的关联或相关联系,采用关联规则的Apriori算法和改进后的Apriori算法对郑州职业技术学院学生各门课程成绩进行分析,从而发现课程之间的联系和基础课程对专业课程的影响,为教务昔理部门安排课程提供参考。     

Apriori算法在研究生成绩中的应用

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。     

数据挖掘在信贷风险中的应用——Apriori算法实现

数据挖掘是从大量数据中挖掘出隐含的、未知的、用户可能感兴趣的和对决策者有潜在价值的知识和规则。这些规则蕴涵了数据库中一组对象之间的特定关系,揭示出一些有用的信息,可以为经营决策、市场策划和金融预测等方面提供依据。详细论述基于Apriori算法的关联规则数据挖掘的基本思想,并将算法应用于信贷风险预测中,有效的验证算法的可行性与科学性。     

关联规则挖掘算法综述

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。     

基于Apriori算法的银行客户行为分析

采用数据挖掘技术中的Apriori算法,对银行客户记录进行关联规则的分析。通过对记录中年龄、性别、收入情况、居住所在地、婚姻状况等有关属性的关联度分析,寻找记录中属性间的彼此关联。从而根据这种属性间的彼此关联,对客户其他的未知属性进行预测,进而对银行客户的存款等行为趋势进行预测。     

一种频繁项集挖掘改进算法

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。     

基于情境—需求本体的客户定制需求挖掘

目的 实现客户定制需求精准全面的自动获取.方法 以人机系统设计理论为基础,构建考虑客户情境信息的情境—需求本体模型并运用Apriori算法挖掘两者之间的映射规则.结论 由客户情境信息映射到客户定制需求信息的关联规则,可以实现根据客户情境信息推导出对应的定制需求信息.运用情境—需求本体模型和关联规则挖掘算法可以实现由客户情境信息自动获取规范化的客户定制需求信息,更符合人机系统设计理论.     

一种基于目标属性的关联规则挖掘算法的研究

提出一种基于目标属性的关联规则挖掘算法,该算法对于不同目标属性的关联规则挖掘是相互独立的,虽然会产生重复工作,但是在并行计算以后效率得到了大大的提高.经过实验分析,对于同样的问题,采用该算法并引入并行计算后,效率要比采用间接挖掘方式的Apriori算法高得多.     

Apriori算法在学生系统中的实现与应用

在网络应用环境和趋势发生变化的今天,普通的数据库方式所保有的数据已无法为学生管理提供更好的反馈。如何在大量数据中发现所隐含的规律,从而应用这些规律去指导学校的各项工作,数据挖掘技术在这当中起着越来越重要的作用。主要以学生成绩为例探索关联规则在学生管理系统中的实现与应用。引入分类方法中的关联规则中的Apriori算法,应用于学生学年成绩分析,从而挖掘出潜在的学生发展相关规律,为大学学生信息管理、教学决策等提供科学依据。     

关联规则Apriori算法在个性化学习系统中的应用研究

关联算法是实现学习系统的个性化、自主化的有效工具,利用Apriori算法我们可以在学习系统中寻找到学生的学习规律,进而实现个性化的学习推荐,是为个性化学习系统不可取少的功能模块。     

基于Web日志挖掘的图书借阅推荐算法研究

针对传统的FP-growth关联规则算法应用在图书借阅推荐系统会产生重复推荐的问题,提出一种改进算法。该算法生成最大频繁项目集,避免冗余频繁项目集的产生,有效解决产生重复推荐的可能。接着引入页面兴趣度阈值,将其应用于改进的FP-growth算法中,形成一种基于页面兴趣度的关联规则算法即IN FP算法,将该算法应用在图书推荐系统中不仅提高系统运行效率,而且具有较高的准确率。     

改进Apriori算法对试车台监测数据的关联挖掘

为发现某试车台中流量、压力等数据之间的关联关系,引入关联规则对监测数据进行挖掘,得到对提高试车安全监测性能具有较高的置信度和支持度的关联规则。提出改进的Apriori算法,对某型航空部件试车台试车过程的数据进行挖掘,与原方法相比,该方法效率高,在置信度和支持度相同的情况下,可以有效降低运算时间。     

基于压缩事务矩阵相乘的Apriori改进算法

Apriori算法是当前使用最广泛的关联规则挖掘方法中最为经典的算法之一;但是该算法需要反复的扫描数据库,在I/O上花消很大,并且在得到频繁-2项集的过程中会产生庞大的候选-2项集,其次在筛选得到频繁-k项集时,并没排除那些不应该参组合的元素,而导致该算法效率很低,针对上面影响计算效率的三个方面提出基于压缩事务矩阵相乘得到频繁项目集的算法,只需一次扫描数据库,经过压缩处理产生产生事务矩阵,通过矩阵间运算得到频繁项目集,有效提高了关联规则的挖掘效率。     

基于关联规则的多冷水机组系统负荷优化分配

本文以多冷水机组系统为研究对象,对系统采集的大量历史运行数据进行数据处理与分析,采用Apriori频繁项集算法,通过分级挖掘,挖掘在不同运行工况下各台冷水机组运行参数与最小运行能耗之间的关联规则,并以机组运行总能耗最小为目标,提出了一种将粒子群算法与关联规则结合的负荷分配优化方法.仿真验证结果表明:该方法通过优化冷水机...     

入侵检测模式匹配算法的研究与改进

模式匹配算法是实现基于规则检测的核心技术,其效率直接影响到入侵检测系统的准确性和实时性。通过分析传统的模式匹配算法BM算法和BMH算法等,提出一种基于BM跳跃思想的模式匹配改进算法,简化了初始化过程,加大了匹配失败后向后跳跃的幅度。经过算法测试,与原算法相比新算法可以有效的减少比较次数,提高模式匹配效率。