完全頻繁項集挖掘算法及其在分類中應用研究.pdf

1、隨著社會科技的進步，信息量呈幾何級增長，如何從大量信息中提取出潛在相互關聯(lián)的知識集合體，成為當前數(shù)據(jù)挖掘領域中迫切需要解決的一個問題。頻繁項集的提出，為解決該問題提供了一個有效的方法。頻繁項集是指從數(shù)據(jù)中提取出滿足支持度閾值的的信息集合體，它包含著大量潛在有用信息，能夠有效地為人類提供決策支持。目前基于Apriori算法思想的完全頻繁項集挖掘算法能夠有效地實現(xiàn)稀疏型數(shù)據(jù)集和短模式下的挖掘工作，但在密集型數(shù)據(jù)集和長模式下，挖掘效率不高，因

2、此應用受到很大限制。
　　 本文針對當前完全頻繁項集挖掘算法在密集數(shù)據(jù)集和長模式挖掘上存在的效率問題，提出了一種Apriori改進算法，該算法引入垂直比特數(shù)據(jù)表示方法以及交叉計數(shù)方式，利用索引向量表生成候選二項集，同時將非頻繁二項集用于候選項集的剪枝，并在計數(shù)階段，采用前綴數(shù)組數(shù)據(jù)結構優(yōu)化計數(shù)方式。實驗結果表明，經(jīng)改進后的Apriori算法能夠有效地挖掘密集數(shù)據(jù)集和長模式下的頻繁項集。為了進一步提高計數(shù)的效率，在前文研究的基礎上

3、，引入差集思想，計數(shù)由之前的完全標識集交叉計數(shù)轉化為差集標識集計數(shù)，從而迸一步地提高了Apriori算法的運行效率。本文將頻繁項集研究成果應用于分類中。傳統(tǒng)的分類算法存在分類過程黑箱操作，分類結果無法解釋的缺點，而基于頻繁項集的關聯(lián)規(guī)則分類算法能夠有效解決上述問題，但由于缺乏有效的規(guī)則評價指標，分類精度普遍不高。鑒于此，本文提出一種新的關聯(lián)規(guī)則分類算法。它引入了興趣度規(guī)則評價指標，有效地刪除分類信息少的冗余規(guī)則，并利用權重準則對規(guī)則重要