Mining Multi-Dimensional Association • Single-dimensional rules: buys(X, “milk”) ⇒ buys(X, “bread”) • Multi-dimensional rules: ≥ 2 dimensions or predicates • Inter-dimension assoc. rules (no repeated predicates) age(X,”19-25”) ∧ occupation(X,“student”) ⇒ buys(X, “coke”) • hybrid-dimension assoc. rules (repeated predicates) age(X,”19-25”) ∧ buys(X, “popcorn”) ⇒ buys(X, “coke”) • Categorical Attributes: finite number of possible values, no ordering among values—data cube approach • Quantitative Attributes: Numeric, implicit ordering among values— discretization, clustering, and other approaches翻译解释
时间: 2024-04-01 21:31:34 浏览: 12
这段话是讨论多维关联挖掘的内容。在单维规则中,我们只考虑一个谓词,例如“买牛奶就买面包”。而在多维规则中,我们考虑两个或多个谓词之间的关联,例如“年龄在19-25岁且职业是学生的人会买可乐”。
在多维规则中,可以存在跨维度的关联规则,其中没有重复的谓词。而在混合维度关联规则中,可能存在重复的谓词。
在分类属性中,属性值是有限的,没有排序。可以使用数据立方体方法来处理。而在定量属性中,属性值是数字,有隐含的排序。可以使用离散化、聚类等方法来处理。
相关问题
Advanced Frequent Pattern Mining • Pattern Mining: A Road Map • Pattern Mining in Multi-Level, Multi-Dimensional Space • Mining Multi-Level Association • Mining Multi-Dimensional Association • Mining Quantitative Association Rules • Mining Rare Patterns and Negative Patterns • Constraint-Based Frequent Pattern Mining • Mining Colossal Patterns • Mining Compressed Patterns • Pattern Exploration and Application • Sequential Pattern Mining
你的问题是关于频繁模式挖掘的吗?这些主题确实是频繁模式挖掘领域的一些重要研究方向。频繁模式挖掘是数据挖掘领域的一个重要分支,它的目标是从数据集中挖掘出频繁出现的模式。这些模式可以帮助我们了解数据集的特征、规律和关系,从而对数据进行更深入的分析和理解。这些研究方向主要涉及到多维、多层次、序列和约束等方面的模式挖掘,以及对挖掘结果的压缩、探索和应用等方面的研究。
NotImplementedError: multi-dimensional sub-views are not implemented Process finished with exit code 1
这个错误通常是由于尝试在多维数组的子视图上执行操作而引起的。这个错误的意思是多维子视图没有被实现。这个错误通常是由于使用了不支持多维子视图的库或代码而引起的。要解决这个问题,你需要检查你的代码并确保你没有在多维数组的子视图上执行操作。
如果你使用的是NumPy库,你可以尝试使用reshape()函数来解决这个问题。reshape()函数可以将多维数组转换为单维数组,从而避免在多维子视图上执行操作。
以下是一个使用reshape()函数解决多维子视图问题的例子:
```python
import numpy as np
# 创建一个3x3的多维数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 将多维数组转换为单维数组
arr_1d = arr.reshape(-1)
# 在单维数组上执行操作
print(arr_1d.sum()) # 输出:45
```