应用于音乐节目分类的Apriori挖掘算法设计

传统Apriori挖掘算法需多次扫描数据库、多次连接频繁项集,导致挖掘效率较低,为此对Apriori挖掘算法加以改进,设计一种新的Apriori挖掘算法用于音乐节目分类。改进的Apriori挖掘算法采用莱特准则对音频数据进行野值与噪声平滑处理,改进Apriori挖掘算法的音频数据库映射令两个线性表分别负责音频数据存储和对应项存储,音频数据库扫描次数降为一次;改进Apriori挖掘算法的连接次数无需对不具备交运算能力的元素进行交运算操作,减少频繁项集连接次数。基于改进频繁项集Apriori挖掘算法挖掘频繁项集、生成音频数据关联规则,基于关联规则集构建分类器,实现音乐节目分类。实验结果显示,改进Apriori挖掘算法用于音乐节目分类的效率优势突出,准确度高。     

基于压缩矩阵方式的Apriori改进算法

针对关联规则中Apriori算法的不足之处,提出两种基于压缩矩阵方式的Apriori改进算法,改进算法充分利用矩阵并对其进行压缩,以大幅度减少扫描数据库的次数,并提高频繁项集的生成效率,从而有效提升算法的运算效率,同时,.,通过实例应用和算法性能兮析证明所提出的两种改进算法部是有效的关联规则挖掘方法。且比Apri算法具有最好的性能.     

基于矩阵的Apriori改进算法研究

针对关联规则中Apriori算法的不足之处,提出两种基于矩阵的Apriori改进算法.改进算法充分利用矩阵这一工具,以大幅度减少扫描数据库的次数和计算成本,进而有效提高算法的运算效率.同时,通过实例应用和算法性能分析证明所提出的两种改进算法都是有效的关联规则挖掘方法,且比Apriori算法具有更好的性能.     

一种新型的改进Apriori算法研究

Apriori算法是数据挖掘关联规则研究中的经典算法,由于它需要多次扫描数据库,造成系统运行效率比较低。所以在对Apriori算法进行了分析之后提出了改进的Apriori算法。改进的主要思想是基于将事务数据库转化成相应的0-1矩阵,通过对矩阵中每个向量与其后的向量做内积运算来计算支持度,并将计算得到的支持度与给定的最小支持度作比较,删除小于最小支持度的行与列,缩小矩阵的规模,提高了运行速度效率。改进的算法只需要对数据库扫描一次,运行效率比较高。实验结果表明,该优化方案是有效可行的。     

一种基于矩阵的Apriori改进算法

Apriori算法是经典的关联规则挖掘算法之一。该算法可以很好地挖掘关联规则,通过连接步和剪枝步从频繁项集中获取候选项集,但产生大量的候选项集,这就需要重复扫描数据库,大大增加算法运行时间。文中提出一种基于矩阵的改进算法,通过事务矩阵和候选项集项目矩阵相乘的矩阵操作来改进频繁扫描数据库的问题。事务数组的建立可以删除不能生成下一频繁项集的事务,删除不必要的项,针对频繁项集的产生过程优化Apriori算法的连接步和修剪步。在不同的数据集下通过实验验证改进算法不仅能准确地挖掘出频繁项集而且大大地缩短挖掘时间。     

基于项集特性的关联规则挖掘中Apriori算法的改进

提出一个改进Apriori的算法IApr,利用事务数据库的事务数相对于项集的项的个数而言要大得多这一特点,采用线性存储结构,并结合推出并证明的项集特性,考虑候选频繁项目集的各个项的应满足的条件,只需扫描一次事务数据库,有效减少了生成候选频繁项集的数目,从数据扫描量、搜索空间、时间复杂度上分析都提高了算法效率。     

关联规则挖掘 Apriori 算法的研究与改进

针对传统Apriori算法的不足之处,提出两种Apriori改进算法,分别基于构造辅助表和项集求交集策略。改进算法大幅度减少扫描数据库的次数,缩减对不必要事务的扫描时间,显著提高频繁项集的生成效率,从而使算法达到更高的运算效率。实验结果表明,两种改进算法都是有效的关联规则挖掘方法,且比Apriori算法性能更优,亦为关联规则挖掘研究提供了一些科学可行的新思路。     

改进的基于两个矩阵的关联规则挖掘算法

Apriori及其改进算法可以归为基于SQL和基于内存两类,为提高关联规则挖掘效率,在分析了一部分第二类算法存在效率瓶颈的基础上,提出了一种高效的改进算法。算法引入两个矩阵,一个矩阵用以映射数据库,另一个用作存储频繁2-项集相关信息,通过对两个矩阵的操作,使得算法时间复杂度明显降低。验证明,算法具有较好的性能。     

大数据量下的Apriori改进算法及在weka平台的实现

文章在分析关联规则和Apriori算法原理的基础上,针对Apriori算法扫描数据库时由于事务数过大,导致系统的I/O负载和CPU运算压力过大等弊端,提出一种主要针对大数据量情况下Apriori算法性能提升的改进算法。主要思想是通过抽样和事务压缩来减少算法需要扫描的事务数,进而提升算法的效率。同时,基于主流的weka开源数据挖掘工具实现了改进算法。实验结果表明了算法的有效性。     

加权频繁项集挖掘算法在超市商品捆绑销售中的应用

引入一种新的加权关联规则支持度和置信度的计算方法,并利用矩阵的存储结构提出一种新的加权关联规则挖掘算法,从而改进了加权频繁项集的挖掘效率.该算法在Apriori算法的基础上,对数据库仅需扫描一次,能很快地计算项集的支持度,大大减少了I/O次数,有效提高了加权频繁项集的生成效率.通过应用于超市捆绑销售,证明了该算法能有效地提取商品间的关联信息,有助于商品的销售.