第7章 数据挖掘基本算法.pptVIP

第七章 数据挖掘基本算法 东北财经大学电子商务学院 第七章 数据挖掘基本算法 东北财经大学电子商务学院 7.1 数据挖掘基本分析方法 7.1 数据挖掘基本分析方法 7.2 关联分析 7.2 关联分析 7.2 关联分析 7.2 关联分析 7.2.2 关联规则分类 7.2 关联分析 7.2.2 关联规则分类 7.2 关联分析 7.2.3 关联规则的挖掘步骤 7.2 关联分析 7.2.4 Apriori算法 7.2 关联分析 7.2.4 Apriori算法 7.2 关联分析 7.2.4 Apriori算法 7.2 关联分析 7.2 关联分析 （1）发现所有的事务支持度大于最小支持度的项集。 （2）产生强关联规则 在找到了事务数据库中的所有频繁项集后，利用这些频繁项集可以产生关联规则，产生关联规则的步骤如下： ①对于每个频繁项集L，产生L的所有非空子集。 ②对于L的每个非空子集m，如果support(L)/support(m)≥min_conf，则输出规则“m (L-m)”。 例如，在上例中产生的频繁项集L＝{A,B,E}，L的非空子集有{A,B}、{A,E}、{B,E}、{A}、{B}和{E}，则运用上述产生关联规则的方法可以得到以下关联规则： A B E confidence=(2/9)/(4/9)=0.5 A E B confidence=(2/9)/(2/9)=1 B E A confidence=(2/9)/(2/9)=1 A B E confidence=(2/9)/(6/9)=0.33 B A E confidence=(2/9)/(7/9)=0.29 E A B confidence=(2/9)/(2/9)=1 7.2 关联分析 3）Apriori算法中存在的两个问题 由以上的分析可以看出，在许多情况下，Apriori算法大幅度地压缩了侯选项集的大小，并且导致很好的性能。但该算法中存在的两个问题，在有些情况下不能忽视： （1）该算法在计算的过程中需要产生大量的候选项集。 （2）该算法需要对数据库进行多次扫描，并通过模式匹配检查候选项集。 7.2 关联分析 7.2 关联分析 3）关联分析的应用 7.2 关联分析 4）关联分析的发展趋势 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 7.3 序列模式分析 序列模式挖掘的应用： ①商店销售———帮助商家分析顾客行为，更高地使用货架空间从而方便顾客。 ②股票金融———找出合理的经济行为联动杠杆模式。 ③软件工程———主要用于分析设计模式和编码模式，也可用于软件可用性测试技术中。 ④生物领域———从DNA序列中推断出蛋白质和其它生物重大结构的不同特征。同时，也应用于分子序列分析、蛋白质结构预测、基因映射、生化建模及药物研制等方面。 ⑤Web挖掘———对用户访问模式进行有效预测，帮助网站了解用户习惯，从而构建更加友好方便的网站结构。 序列模式挖掘的发展趋势： 研究的方向主要集中在：如何进一步提高算法效率；如何拓展序列模式挖掘，多维模式挖掘、增式挖掘都是其中的热点。 ●多维序列模式挖掘是在挖掘序列模式时，除了考虑事件发生的时间属性，也加入了其他与之相关联的维度属性。 ●所有数据库都是随时间更新的，挖掘的序列数据也在随时间改变，所以增式挖掘在序列模式挖掘上更为重要，它涉及了所有数据挖掘技术。 7.4 分类分析 7.4 分类分析 7.5 聚类分析 7.5.1 聚类概念 7.5.1 聚类概念 7.5.1 聚类概念 7.5.1 聚类概念 7.5.2 距离和相似性度量 7