基于关联规则挖掘的分类算法分析-管理科学与工程专业论文.docxVIP

I I 目 录 目 录 1 绪论 1 1.1 本文的研究背景和意义 1 1.2 国内外研究现状 2 1.3 本文研究内容 5 1.4 本文组织结构 5 2 关联规则挖掘技术 7 2.1 关联规则概述 7 2.1.1 关联规则问题描述 7 2.1.2 关联规则挖掘步骤 8 2.2 经典频繁项集挖掘算法 9 Apriori 算法 10 FP-growth 算法 14 2.3 本章小结 15 3 分类挖掘技术 16 3.1 分类的步骤 16 3.2 分类技术概述 16 3.3 关联分类 17 3.3.1 基本概念 18 HYPERLINK \l _TOC_250009 3.3.2 CBA 算法及其基本思想 19 HYPERLINK \l _TOC_250008 3.3.3 CMAR 算法及其基本思想 21 3.4 本章小结 23 HYPERLINK \l _TOC_250007 4 关联分类算法 CARPT 25 4.1 基本概念 25 4.1.1 垂直数据格式 25 HYPERLINK \l _TOC_250006 Trie 树及其构造 27 HYPERLINK \l _TOC_250005 P-Trie 树及其构造 30 HYPERLINK \l _TOC_250004 4.2 CARPT 算法及其基本思想 36 HYPERLINK \l _TOC_250003 CARPT 算法的基本思想 36 CARPT 算法的相关策略 36 HYPERLINK \l _TOC_250002 CARPT 算法描述 37 4.3 算法测试与分析 38 4.3.1 实验环境 38 目 录 HYPERLINK \l _TOC_250001 CARPT 算法性能测试 38 HYPERLINK \l _TOC_250000 CARPT 算法性能分析 40 I II 4.4 本章小结 41 5 结论 42 5.1 总结 42 5.2 展望 43 致 谢 44 参考文献 45 附 录 48 PAGE PAGE 1 1 恊论 1 绪论 随着计算机科学技术，特别是数据库技术的迅猛发展，以及人类活动范围的扩展? 生活节奏的加快，人们能以更快速?更容易?更廉价的方式获取和存储数据，这就使得 数据及其信息量正在以指数方式增长?然而，面对这些极度膨胀的数据，人们却无法从 表面上看出其中所蕴含的真正有价值的信息，不断感受着来自?信息爆炸?和?数据过 剩?的巨大压力[1]?因此，如何从大量的数据中找到真正有用的信息便成为人们关注的 焦点? 1.1 本文的研究背景和意义 信息技术和数据存储技术的快速发展，特别是互联网技术应用范围的不断推广，使 得人们生成和搜集数据的能力也与日俱增?目前，全球为各行各业服务的数据库至少有 几百万个，由此引起的数据量快速增长对数据库的存储?管理和分析能力都提出了更高 的要求?激增的数据背后隐藏着许多对人类社会进步起到巨大作用的信息，这些海量数 据如果不被有效地利用起来，将只能成为?数据垃圾??面对?数据爆炸，知识贫乏?， 数据挖掘技术应运而生，并得到蓬勃发展，日益彰显其强大的生命力? 数据挖掘(Data Mining，DM)技术(又称为数据库中的知识发现(Knowledge Discovery in Database，KDD))，就是从大量数据中获取有效的?新颖的?潜在有用的?最终可理 解的模式的非平凡过程，简单的说，数据挖掘就是从大量数据中提取或?挖掘?知识[2]， 即从大量的?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?但又是潜在有用的信息和知识的过程?它是一种决策支持过程，可以从企 业数据库的大量数据中，挖掘出潜在的模式，预测客户的行为，帮助企业的决策者做出 正确的判断，从而降低投资的风险，获得更大的利润[3]?数据挖掘在数据和知识之间的 鸿沟上架起了一座桥梁，不仅可以描述历史数据的发展过程，还能对当前数据进行推断， 并进一步预测未来的发展趋势?关联规则?分类和聚类是当前的主流数据挖掘方法?关 联规则挖掘的目的是发现数据中的频繁信息，即频繁模式[4,5]；分类则是根据已知类别信 息寻找数据间的分类模式[6,7]；聚类旨在发现数据间的相似性联系，即数据的聚集模式[8]? 数据挖掘方法的提出，使人们有能力认识到蕴含在数据中的有价值信息，它将成为继互 联网之后的下一个研究热点，特别是高维?大型?分布式数据挖掘，将具有广阔的应用 前景和巨大的潜在经济价值? 传统的数据挖掘技术以神经网络?聚类分析?贝叶斯分类?遗传算法等手段为主[9]? 1993 年，Agrawal 首次提出了数据库中的关联规则挖掘技术，从此以关联规则