- 1、本文档共20页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
.
..
.
..
《数据挖掘》实验报告
目录
TOC \o 1-3 \h \z \u HYPERLINK \l _Toc353828720 1.关联规则的基本概念和方法 PAGEREF _Toc353828720 \h 1
HYPERLINK \l _Toc353828721 1.1数据挖掘 PAGEREF _Toc353828721 \h 1
HYPERLINK \l _Toc353828722 1.1.1数据挖掘的概念 PAGEREF _Toc353828722 \h 1
HYPERLINK \l _Toc353828723 1.1.2数据挖掘的方法与技术 PAGEREF _Toc353828723 \h 1
HYPERLINK \l _Toc353828724 1.2关联规则 PAGEREF _Toc353828724 \h 3
HYPERLINK \l _Toc353828725 1.2.1关联规则的概念 PAGEREF _Toc353828725 \h 3
HYPERLINK \l _Toc353828726 1.2.2关联规则的实现——Apriori算法 PAGEREF _Toc353828726 \h 4
HYPERLINK \l _Toc353828727 2.用Matlab实现关联规则 PAGEREF _Toc353828727 \h 6
HYPERLINK \l _Toc353828728 2.1Matlab概述 PAGEREF _Toc353828728 \h 6
HYPERLINK \l _Toc353828729 2.2基于Matlab的Apriori算法 PAGEREF _Toc353828729 \h 7
HYPERLINK \l _Toc353828730 3.用java实现关联规则 PAGEREF _Toc353828730 \h 11
HYPERLINK \l _Toc353828731 3.1java界面描述 PAGEREF _Toc353828731 \h 11
HYPERLINK \l _Toc353828732 3.2java关键代码描述 PAGEREF _Toc353828732 \h 14
HYPERLINK \l _Toc353828733 4、实验总结 PAGEREF _Toc353828733 \h 19
HYPERLINK \l _Toc353828734 4.1实验的不足和改进 PAGEREF _Toc353828734 \h 19
HYPERLINK \l _Toc353828735 4.2实验心得 PAGEREF _Toc353828735 \h 20
..
..
1.关联规则的基本概念和方法
1.1数据挖掘
1.1.1数据挖掘的概念
计算机技术和通信技术的迅猛发展将人类社会带入到了信息时代。在最近十几年里,数据库中存储的数据急剧增大。数据挖掘就是信息技术自然进化的结果。数据挖掘可以从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,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。
许多人将数据挖掘视为另一个流行词汇数据中的知识发现(KDD)的同义词,而另一些人只是把数据挖掘视为知识发现过程的一个基本步骤。知识发现过程如下:
·数据清理(消除噪声和删除不一致的数据)
·数据集成(多种数据源可以组合在一起)
·数据转换(从数据库中提取和分析任务相关的数据)
·数据变换(从汇总或聚集操作,把数据变换和统一成适合挖掘的形式)
·数据挖掘(基本步骤,使用智能方法提取数据模式)
·模式评估(根据某种兴趣度度量,识别代表知识的真正有趣的模式)
·知识表示(使用可视化和知识表示技术,向用户提供挖掘的知识)。
1.1.2数据挖掘的方法与技术
数据挖掘吸纳了诸如数据库和数据仓库技术、统计学、机器学习、高性能计算、模式识别、神经网络、数据可视化、信息检索、图像和信号处理以及空间数据分析技术的集成等许多应用领域的大量技术。数据挖掘主要包括以下方法。
神经网络方法:神经网络由于本身良好的鲁棒性、自组织自适应性、并行处理、分布存储和高度容错等特性非常适合解决数据挖掘的问题,因此近年来越来越受到人们的关注。典型的神经网络模型主要分3大类:以感知机、bp反向传播模型、函数型网络为代表的,用于分类、预测和模式识别的前馈式神经网络模型;以hopfield的离散模型和连续模型为代表的,分别用于联想记忆和优化计算的反馈式神经网络模型;以art模型、koholon模型为代表的,用于聚类的自组织映射方法。神经网络方法的缺点是黑箱性,人们难以理解网络的学习和决策过程。
遗传算法:遗传算法是一种基于生物自然选择与
文档评论(0)