先验法关联规则挖掘综述以及其实现.pptVIP

先验法关联规则挖掘综述以及其实现 报告人：张 震 指导老师：荣冈 在weka中添加免疫算法 根据weka开源的性质，我成功在里面增加了一个新的分类算法—免疫算法。这部分的工作与关联规则挖掘无关，只是对数据挖掘实践方法的一种探索。 免疫算法 的添加 1.从网络上找到java编写的源代码，并部分改写接口使之与weka相符。 2.将.java文件添加入weka的核心文件中。 3.修改GUI界面，实现功能。 在weka中添加免疫算法 从网上得到的免疫算法文件解压后，把.class文件按照目录结构放在本地weka的jar文件目录中后，对照修改weka.gui.GenericPropertiesCreator.props 文件的内容。 分类器部分加载项如下： # Lists the Classifiers-Packages I want to choose from weka.classifiers.Classifier=\ weka.classifiers.bayes,\ weka.classifiers.functions,\ weka.classifiers.lazy,\ weka.classifiers.meta,\ weka.classifiers.meta.nestedDichotomies,\ weka.classifiers.mi,\ weka.classifiers.misc,\ weka.classifiers.trees,\ weka.classifiers.rules,\ weka.classifiers.immune.airs,\ weka.classifiers.immune.clonalg,\ weka.classifiers.immune.immunos,\ 其中最后三行是新增加的免疫算法，其他是原来存在的。 至此用户界面和java文件都添加完成，运行程序之后，就实现了目标的软件功能。 在weka中添加免疫算法 完成之后，可以对照新旧界面，新的免疫分类算法便可以使用了。下图左为原始界面，右图为新界面。 * 2008.12.30 1 2 3 5 关联知识挖掘 主要内容 数据挖掘软件weka应用介绍 探索--在weka中添加免疫算法 6 数据挖掘结果分析 4 先验法在weka上的实现 先验法及其优化理论 1 2 3 5 关联知识挖掘 主要内容 数据挖掘软件weka应用介绍 探索--在weka中添加免疫算法 6 数据挖掘结果分析 4 先验法在weka上的实现 先验法及其优化理论 数据挖掘 数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。 知识发现（KDD）是指从数据中识别合法的、新颖的、有潜在价值的、以及最终的可理解的模式的非常规的过程。知识发现的过程包括数据准备、模式搜索、知识评估以及知识提炼等许多步骤，而这些步骤构成一个多重循环的过程。一般认为，数据挖掘是组成知识发现过程的一个环节，它是在某种可接受的约束条件下，应用数据分析和数据发现算法，从数据中获取某些特定模式的过程。 广义的数据挖掘和知识发现（KDD）是一样的，可以不加区分。一般情况下，在研究领域习惯称为数据库中知识发现，在工程领域称之为数据挖掘。 数据挖掘的流程 2 3 4 5 1 数据挖掘：选择 适当的算法，从 数据中提取出适 当的模式。 知识评估：将发 现的模式以人能 理解的方式表达 出来，成为知识。 数据预处理：检 查数据的完整性、 一致性，对噪音 数据和丢失的数 据进行处理。 数据提取：根据 需求从数据库中 提取相关数据。 问题定义：熟悉 应用领域的背景 知识，明确发现 任务的需求。 数据挖掘的流程 关联规则 关联规则是由Agrawal等人首先提出的一个重要KDD研究课题，它反映了大量数据中项目集之间有趣的关联或相关联系。 关联规则的数学表达： 设I = 是二进制文字的集合, 其中的元素称为项(item) 。记D 为交易（transaction) T 的集合,这里交易T 是项的集合,并且T 属于I 。对应每一个交易有惟一的标识, 如交易号, 记作TID。设X 是一个I 中项的集合,如果X属于T ,那么称交易T 包含X 。 一个关联规则是形如X Y 的蕴涵式,这里X属于 I ,Y属于 I ,并且X ∩ Y =非空。 关联规则的基本概念 项的集合称为项集(itemset) 。包含k 个项的项集称为k - 项集。项集的出现频率是包含项集的事务数,简称为项集