數(shù)據挖掘中關聯(lián)規(guī)則算法及應用的研究.pdf

1、如今，人們把握數(shù)據的能力在不斷提升。面對海量數(shù)據，人們更加關注的是隱藏在數(shù)據背后的重要信息，而非數(shù)據本身。數(shù)據挖掘滿足了我們的需求，它是幫助我們發(fā)現(xiàn)數(shù)據中重要知識的有利工具。關聯(lián)規(guī)則是數(shù)據挖掘的一個重要分支，挖掘出大型事務數(shù)據庫中的關聯(lián)規(guī)則對不同領域實際問題的解決起著非常重要的作用。
　　 本論文主要研究關聯(lián)規(guī)則算法及其應用。首先，論文系統(tǒng)地闡述了數(shù)據挖掘和關聯(lián)規(guī)則中的相關理論知識，為研究內容的全面展開打下堅實的理論基礎。其次，

2、論文通過指出經典的挖掘頻繁項目集算法Apriori算法的性能瓶頸問題，即多次掃描數(shù)據庫以及可能會產生龐大的候選集，為新算法的研究找到入口。因此，本論文對Apriori算法做了如下改進：首先從數(shù)據庫布爾矩陣的角度來生成L1和L2，打破了Apriori算法生成Lk的固有模式；然后在證明結論“Lk_1生成Ck的連接步可用Lk-1∞L1來代替Lk-1∞Lk-1”成立的基礎上，再來改進k-候選集的集合Ck(k≥3)的生成算法。
　　 所以

3、，綜合上述工作本論文提出了Apriori算法的改進算法BMSL_Apriori算法(Boolean Matrix Simplified Linked_Apriori算法)。首先通過對BMSL_Apriori算法的理論性分析，我們可以得知該算法不僅能夠減少數(shù)據庫的掃描次數(shù)以及一定程度上避免龐大候選集的產生，而且還能夠降低算法的時間與空間開銷。然后，我們又通過具體的實驗進一步證明了BMSL_Apriori算法的效率確實優(yōu)于Apriori算法