《数据挖掘导论第6章_关联分析》.pptVIP

  • 2
  • 0
  • 约9.25千字
  • 约 98页
  • 2019-12-02 发布于天津
  • 举报
FP增长(FP-growth)算法 关联模式的评估(Pattern Evaluation) 关联分析算法往往产生大量的规则,而其中很大一部分可能是不感兴趣的。 因此,建立一组广泛接受的评价关联模式质量的标准是非常重要的。 第一组标准可以通过统计论据建立。涉及相互独立的项或覆盖少量事务的模式被认为是不令人感兴趣的,因为它们可能反映数据中的伪联系。 这些令人感兴趣的模式可以使用客观兴趣度度量来排除。 第二组标准可以通过主观论据建立。一个模式被主观认为是无趣的,除非它能够揭示料想不到的信息或提供导致有益的行动的有用信息。 例如:{黄油} ?{面包}可能不是有趣的,尽管有很高的支持度和置信度,但是它表示的关系显而易见。另一方面,规则{尿布} ?{啤酒}是有趣的,因为这种联系十分出乎意料,并且可能为零售商提供新的交叉销售机会。 将主观知识加入到模式的评价中是一项困难的任务,因为需要来自领域专家的大量先验信息。下面是一些将主观信息加入到模式发现任务中的方法。 兴趣度客观度量(objective interestingness measure) 客观兴趣度度量使用从数据推导出的统计量来确定模式是否是有趣的。 客观兴趣度度量的例子包括支持度、置信度、相关性。 给定一个规则 X ? Y, 我们可以构建一个相依表(contingency table)。 Y Y X f11 f10 f1+ X

文档评论(0)

1亿VIP精品文档

相关文档