基于SVM分类器的动态关联规则趋势度挖掘方法.pdfVIP

2014年第 6期 信 息 通 信 2O14 (总第 138期) INF0I ATIoN C0MMUNICATIONS (Sum．No 138) 基于 SVM分类器的动态关联规则趋势度挖掘方法 宋 航，张忠林，谢 冰 (兰州交通大学 电子与信息工程学院，甘肃 兰州730070) 摘要：提 出一种基于兼容性特征向量SVM 分类器的动态关联规则趋势度的挖掘方法。首先，利用动态关联规则的趋 势度的挖掘方法挖掘出类关联规则集；其次，利用SVM算法对高复杂数据的优势构建基于兼容性特征向量的分类器 所获得的进行分类。通过理论和实例分析 ，用该方法得到的分类规则与传统挖掘方法相比，复杂度低 ，且有效提高了 分类精度。 关键词：数据挖掘；动态关联规则；趋势度挖掘；关联分类；分类器 中图分类号：TP391．4 文献标识码：A 文章编号：1673．1131(2014)06．0056．02 0引言 值 的大小交替出现，则 -B为支持度周期型动态关联规 则 。 数据挖掘中关联分类是一个重要的预测方法，其算法是将 定义 5 如果A=B不满足定义 I至定义4。设时间段序 关联规则挖掘和分类器构建结合起来。自1998年第一个基于 列长度为n，在支持度向量 SV下存在一个长度为m 的按时间 关联的分类算法一一cBAⅢ算法出现，关联分类算法的设计及 先后顺序排列的子时间支持度向量序列： 应用研究一直非常活跃，相继出了一些新的关联分类算法。本 U={SuP(au口)I…．，Sup(Au~)p…．，SUP(AuB)g) 文提出了一种基于关联分类的趋势度挖掘方法一TMSⅥⅥ。动 态关联规则趋势度挖掘方法在传统算法的基础上，引入趋势度 其中1 kPq 如果前一项支持度大于等于后一项 阈值来挖掘一定趋势下的动态关联规则；而关联分类具有挖掘 支持度值，则u为下降的子时间支持度序列向量，相反则称 u 现有范围内精度高的特点，将两者结合可以更好的对关联规则 为上升的子时间支持度序列向量。 挖掘方法提供支持。 定义6 如果支持度向量SV下的动态关联规则的最大上 升的子时间支持度序列向量的长度为L，最大下降子时间支持 l动态关联规则趋势度方法 度序列向量的长度为 s，那么支持度向量下的动态关联规则趋 趋势度挖掘 是针对规则随着时间变化的特点，在分析原 势度计算如下： 有定义和支持度向量和置信度向量分类的基础上，提出的动态 s融 ：maxlL。s、}n 关联规则趋势度的挖掘方法。下面给出动态关联规则相关的 置信度向量下趋势度的计算方法与之相同。 引理及其推论： 定义7 如果规则 =》B满足定义 I至4，则该规则为强 引理 在数据集D。中如果项集x满足sup(x)0 rain_sup， 兴趣的动态关联规则。根据 以上定义计算该动态关联规则的 则至少存在f(1 i )，使得sup(x)f ,SXdi。 趋势度，若其大于等于给定的趋势度阈值，该规则为强动态关联 推论 如果一个