基于可信度最优的连续属性离散化挖掘算法
需积分: 9 47 浏览量
更新于2024-08-12
收藏 191KB PDF 举报
"一种基于可信度最优的数量关联规则挖掘算法"
本文主要探讨的是在数据挖掘领域,特别是数量关联规则挖掘中的一个关键问题:如何有效地处理连续属性并挖掘出最具可信度的数量关联规则。数量关联规则是指在数据集中,两个或多个连续属性之间的统计关联性,比如在股票市场中,股票的价格变化与其涨幅之间的关系。传统的关联规则挖掘主要关注离散属性,但在现实世界的数据中,连续属性更为常见,如股票价格、温度、体重等。
在描述的算法中,首先采用等深度划分算法对连续属性进行离散化处理。等深度划分是一种将数据集分割成若干个具有相同大小(或近似相同)的子区间的方法,以此减少连续属性的复杂性,使其适应于挖掘规则。这个过程是至关重要的,因为它直接影响到挖掘结果的准确性和效率。
接着,算法利用凸包处理技术来提取强规则中的最优数量关联区间。凸包是包含所有点的最小几何形状,这里可能是用来找出最能代表数据分布特征的区间。在数量关联规则中,高可信度的区间意味着在此范围内的属性值之间的关联性最强,对于决策支持和预测具有很高的价值。
论文中提到的应用实例是股票市场的数量关联分析。通过对股票价格的离散化和最优关联区间提取,算法能够找出股票涨跌与价格之间的高可信度规则。实验结果显示,该算法在实际应用中表现出良好的效果,证明了其在数据挖掘领域的有效性。
此外,文章还提到了一些已有的关联规则挖掘算法,如IBM的Intelligent Miner、Angoss Software的Knowledge Seeker以及DBMiner,这些都是针对布尔属性的算法。而数量关联规则在银行业务分析、股市分析等领域的应用则进一步强调了对这类规则挖掘的必要性。
该研究提出的基于可信度最优的数量关联规则挖掘算法,通过连续属性的离散化和凸包处理,有效地解决了连续属性关联规则的挖掘问题,并在实际案例中展示了其优越性能。这为数据挖掘提供了新的工具和方法,尤其在处理涉及连续属性的数据集时,可以更精确地发现有价值的信息和规律。
2021-07-14 上传
2021-02-23 上传
2022-08-08 上传
2021-11-15 上传
2013-03-12 上传
2021-07-14 上传
2008-12-19 上传
2007-08-24 上传
点击了解资源详情
weixin_38606811
- 粉丝: 6
- 资源: 982
最新资源
- 批量文件重命名神器:HaoZipRename使用技巧
- 简洁注册登录界面设计与代码实现
- 掌握Python字符串处理与正则表达式技巧
- YOLOv5模块改进 - C3与RFAConv融合增强空间特征
- 基于EasyX的C语言打字小游戏开发教程
- 前端项目作业资源包:完整可复现的开发经验分享
- 三菱PLC与组态王实现加热炉温度智能控制
- 使用Go语言通过Consul实现Prometheus监控服务自动注册
- 深入解析Python进程与线程的并发机制
- 小波神经网络均衡算法:MATLAB仿真及信道模型对比
- PHP 8.3 中文版官方手册(CHM格式)
- SSM框架+Layuimini的酒店管理系统开发教程
- 基于SpringBoot和Vue的招聘平台完整设计与实现教程
- 移动商品推荐系统:APP设计与实现
- JAVA代码生成器:一站式后台系统快速搭建解决方案
- JSP驾校预约管理系统设计与SSM框架结合案例解析