基于遗传算法的关联规则挖掘

设计了一种基于遗传算法的关联规则算法,该算法将遗传算法和关联规则相结合.对遗传算法的编码方法、适应度函数的构造、交叉算子和变异算子进行了分析,给出了所设计方法的具体步骤,并进行了试验.试验表明,改进后的算法的执行效率高于Apriori算法.     

关联规则挖掘研究

介绍了关联规则的基本概念和分类方法,分析了典型的Apriori算法,并描述了Apriori算法的性能瓶颈与改进策略.最后展望了关联规则挖掘的进一步研究方向.     

基于遗传算法的关联规则挖掘方法

基于对数据挖掘,特别是关联规则挖掘的研究,提出了一种改进型遗传算法的关联规则提取算法,并从编码方法、适应度函数的构造和遗传算子的设计方面进行讨论分析。通过对早熟问题的分析并改进自适应算子,提高了算法的效率,使算法在相对稳定的动态种群规模中寻找优质解。     

关联规则挖掘综述

介绍了当前关联规则挖掘的研究情况,分析了传统关联规则挖掘算法的不足．与此同时,介绍了几种优化算法．最后,展望了关联规则挖掘的未来研究方向．     

基于Web日志挖掘的关联规则算法研究

Web日志挖掘是对用户与Web服务器在交互时产生的数据,采用数据挖掘技术发现隐含的规律性知识。首先对Web日志挖掘进行了概述,重点研究了关联规则算法中的Apriori算法,并对Apriori算法进行了改进,最后给出具体实例。     

基于空间数据的关联规则挖掘算法及实现

空间数据挖掘就是从空间数据库中抽取隐含的知识，空间关系或是空间数据库中存储的其它的隐含的模式的过程。空间关联规则是空间数据挖掘的一个重要表现形式，利用空间关联规则把空间数据库中的数据转化为知识是一个很好的方法。本文给出了一种基于空间数据的关联规则挖倔算法，并给出了实例。     

基于聚类的关联规则挖掘算法

关联规则是数据挖掘中一个非常重要的任务,有许多针对于关联规则的挖掘算法,然而需要提高算法的有效性来处理现实世界中的数据集。基于聚类的关联规则挖掘算法法通过扫描数据库创建聚类表,将收集的事务记录放入聚类表中,通过局部聚类表的约束来产生频繁项集,不仅可以剪枝候选项集,降低数据扫描的时间,而且确保挖掘结果集的正确性。实验结果表明,基于聚类的关联规则挖掘算法比Apfiori算法有更高的执行效率。     

基于Apriori的加权关联规则挖掘

关联规则挖掘可以发现大量数据中项集之间有趣的关联或相关联系,并已在许多领域得到了广泛的应用.Apriori算法是挖掘关联规则最基本,最核心的算法之一.但Apriori算法只考虑交易中项出现的频率,没有考虑事务集不同项及记录具有不同的重要性,挖掘出来的规则具有一定的局限性.针对这点不足本文提出一种记录加权关联规则挖掘,结合Apriori算法并加以改进,给出相应的New-Aproiri算法.     

大学毕业生就业影响因素的关联规则挖掘

文章分析了影响大学生就业的内外部因素,根据在全国8所高校的调查获得的12290个毕业学生数据,用MS SQL SERVER 2005商务智能模块进行定量分析,结果表明:大学毕业生的自身综合素质是大学生实现就业的关键因素,其次是专业因素、性别因素等。可以认为,当前的大学生"就业难"是由于供求结构矛盾导致的相对过剩。     

关联规则挖掘概述

主要介绍了关联规则挖掘的研究情况,对一些典型算法进行了分析和评价,指出传统关联规则衡量标准的不足,并归纳出关联规则的价值衡量方法,最后,展望了关联规则挖掘的未来研究方向。     

关联规则挖掘的一种改进算法

关联规则的提取是数据挖掘中的重要研究课题,文章对关联规则提取中的Apriori算法进行了深入研究,指出了该算法的某些不足,提出了一种改进算法.     

基于分布式系统的关联规则挖掘算法

分布式算法具有高度的适应性、可伸缩性、低性能损耗和容易连接等特性,可以作为挖掘关联规则的理想平台。分布式系统环境下实现高效分布式算法的方法。数据挖掘同关系数据库的关系,实现算法对数据库结构的要求,明确在实现中需要解决的几个核心问题。     

关联规则的并行挖掘算法

关联规则是数据挖掘的重要研究内容之一,而传统的串行算法已不能满足数据库空前发展的需求.本文提出了关联规则的并行挖掘算法,探讨了相关的数据结构,并对算法进行了定性分析.     

优化关联规则算法的方法研究

Apriori算法是关联规则挖掘技术中的一个经典算法。笔者通过对该算法的思想和性能分析,认为它存在两方面的不足。本文提出了一种提高频繁项集挖掘算法效率的优化方法。实验表明,该优化算法对提高频繁项集挖掘算法的效率是有效的。     

基于关联规则的聚类挖掘在远程教育中的应用

阐述了在远程教育的研究和应用中,利用基于关联规则的多层次、超图分割聚类方法,对Web网页和用户进行有效聚类。该方法借助网站层次图,可以根据实际需要,在各个层次上进行聚类分析,仅将高度相关的网页和用户聚在同一类,而将关联性较小的网页排除在聚类外。     

决策树算法在数据挖掘中研究与应用

随着社会的发展、经济的进步，各行各业对可视化数据挖掘需求越来越高。本文介绍了可视化数据挖掘的相关概念，分析了在可视化数据挖掘中决策树算法的相关理论，并预测了可视化数据挖掘的发展。     

基于并行FP-growth算法挖掘网上关联交易规则

发现关联规则是数据挖掘技术的重要任务之一。之前提出的绝大多数算法需要多次遍历数据库才能产生频繁项集,造成巨大的CPU和内存开销。根据网上交易数据海量的特点,提出了一种基于频繁模式增长(FP-growth)的并行算法。该算法可以在不产生候选集的基础上并行的挖掘海量数据。试验证明该算法可以缓解了项目数量巨大而内存不足的矛盾,减少了算法的执行时间。利用该算法对网上交易进行关联规则挖掘,发现了有价值的决策支持信息。     

一种改进的关联规则增量式更新算法

增量式更新算法能充分利用已挖掘出的知识来提高挖掘效率,是数据挖掘高效算法研究中一个主要方向.本文首先分析了经典的关联规则增量式更新算法FUP(Fast Updating algorithm)算法的不足,提出了一种改进的关联规则增量式更新算法IIUA(Improved Incremental Updating Algorithm),极大地降低了存储空间和挖掘时间需求,从而提高了整个关联规则挖掘的效率.     

一种改进的关联规则增量式更新算法

增量式更新算法能充分利用已挖掘出的知识来提高挖掘效率，是数据挖掘高效算法研究中一个主要方向．本文首先分析了经典的关联规则增量式更新算法FUP（Fast Updating algorithm）算法的不足，提出了一种改进的关联规则增量式更新算法IIUA（Improved Incremental Updating Algorithm），极大地降低了存储空间和挖掘时间需求，从而提高了整个关联规则挖掘的效率．     

决策树算法研究综述

分类在数据挖掘中是一项非常重要的任务,决策树方法是一种常用的方法。本文重点介绍了决策树建立的基本原理,对算法所面临的问题进行了阐述,为数据分类研究者提供借鉴．