關(guān)聯(lián)規(guī)則挖掘理論課件

三關(guān)聯(lián)規(guī)則挖掘理論

基本概念與解決方法

經(jīng)典的頻繁項(xiàng)目集生成算法分析及其改進(jìn)算法對(duì)項(xiàng)目集格空間理論的發(fā)展關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題數(shù)量關(guān)聯(lián)規(guī)則挖掘方法1三關(guān)聯(lián)規(guī)則挖掘理論

基本概念與解決方法1關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘研究的基礎(chǔ)關(guān)聯(lián)規(guī)則挖掘（AssociationRuleMining）是數(shù)據(jù)挖掘中研究較早而且至今仍活躍的研究方法之一。最早是由Agrawal等人提出的（1993）。最初提出的動(dòng)機(jī)是針對(duì)購(gòu)物籃分析（BasketAnalysis）問(wèn)題提出的，其目的是為了發(fā)現(xiàn)交易數(shù)據(jù)庫(kù)（TransactionDatabase）中不同商品之間的聯(lián)系規(guī)則。關(guān)聯(lián)規(guī)則的挖掘工作成果頗豐。例如，關(guān)聯(lián)規(guī)則的挖掘理論、算法設(shè)計(jì)、算法的性能以及應(yīng)用推廣、并行關(guān)聯(lián)規(guī)則挖掘（ParallelAssociationRuleMining）以及數(shù)量關(guān)聯(lián)規(guī)則挖掘（QuantitiveAssociationRuleMining）等。關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的其他研究分支的基礎(chǔ)。

2關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘研究的基礎(chǔ)關(guān)聯(lián)規(guī)則挖掘（Associa事務(wù)數(shù)據(jù)庫(kù)設(shè)I={i1，i2，…，im}是一個(gè)項(xiàng)目集合，事務(wù)數(shù)據(jù)庫(kù)D={t1，t2，…，tn}是由一系列具有唯一標(biāo)識(shí)TID的事務(wù)組成，每個(gè)事務(wù)ti（i=1，2，…，n）都對(duì)應(yīng)I上的一個(gè)子集。一個(gè)事務(wù)數(shù)據(jù)庫(kù)可以用來(lái)刻畫：購(gòu)物記錄：I是全部物品集合，D是購(gòu)物清單，每個(gè)元組ti是一次購(gòu)買物品的集合（它當(dāng)然是I的一個(gè)子集）。其它應(yīng)用問(wèn)題3事務(wù)數(shù)據(jù)庫(kù)設(shè)I={i1，i2，…，im}是一個(gè)項(xiàng)目集合支持度與頻繁項(xiàng)目集定義（項(xiàng)目集的支持度）.給定一個(gè)全局項(xiàng)目集I和數(shù)據(jù)庫(kù)D，一個(gè)項(xiàng)目集I1I在D上的支持度（Support）是包含I1的事務(wù)在D中所占的百分比：support（I1

）=||{tD|I1

t}||/||D||。定義（頻繁項(xiàng)目集）.給定全局項(xiàng)目集I和數(shù)據(jù)庫(kù)D，D中所有滿足用戶指定的最小支持度（Minsupport）的項(xiàng)目集，即大于或等于minsupport的I的非空子集，稱為頻繁項(xiàng)目集（頻集：FrequentItemsets）或者大項(xiàng)目集（LargeIitemsets）。在頻繁項(xiàng)目集中挑選出所有不被其他元素包含的頻繁項(xiàng)目集稱為最大頻繁項(xiàng)目集（最大頻集：MaximumFrequentItemsets）或最大大項(xiàng)目集（MaximumLargeIitemsets）。4支持度與頻繁項(xiàng)目集定義（項(xiàng)目集的支持度）.給定一個(gè)全局項(xiàng)可信度與關(guān)聯(lián)規(guī)則定義（關(guān)聯(lián)規(guī)則與可信度）.給定一個(gè)全局項(xiàng)目集I和數(shù)據(jù)庫(kù)D，一個(gè)定義在I和D上的關(guān)聯(lián)規(guī)則形如I1I2，并且它的可信度或信任度或置信度（Confidence）是指包含I1和I2的事務(wù)數(shù)與包含I1的事務(wù)數(shù)之比，即Confidence（I1I2）=support（I1∪I2）/support（I1），其中I1，I2I，I1∩I2=Ф。定義（強(qiáng)關(guān)聯(lián)規(guī)則）.

D在I上滿足最小支持度和最小信任度（Minconfidence）的關(guān)聯(lián)規(guī)則稱為強(qiáng)關(guān)聯(lián)規(guī)則（StrongAssociationRule）。5可信度與關(guān)聯(lián)規(guī)則定義（關(guān)聯(lián)規(guī)則與可信度）.給定一個(gè)全局項(xiàng)目集關(guān)聯(lián)規(guī)則挖掘基本過(guò)程關(guān)聯(lián)規(guī)則挖掘問(wèn)題可以劃分成兩個(gè)子問(wèn)題：1.發(fā)現(xiàn)頻繁項(xiàng)目集:通過(guò)用戶給定Minsupport，尋找所有頻繁項(xiàng)目集或者最大頻繁項(xiàng)目集。2．生成關(guān)聯(lián)規(guī)則:通過(guò)用戶給定Minconfidence，在頻繁項(xiàng)目集中，尋找關(guān)聯(lián)規(guī)則。第1個(gè)子問(wèn)題是近年來(lái)關(guān)聯(lián)規(guī)則挖掘算法研究的重點(diǎn)。6關(guān)聯(lián)規(guī)則挖掘基本過(guò)程關(guān)聯(lián)規(guī)則挖掘問(wèn)題可以劃分成兩個(gè)子問(wèn)題：6第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法

經(jīng)典的頻繁項(xiàng)目集生成算法分析及其改進(jìn)算法對(duì)項(xiàng)目集格空間理論的發(fā)展關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題數(shù)量關(guān)聯(lián)規(guī)則挖掘方法7第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法7頻繁項(xiàng)目集生成算法分析Agrawal等人建立了用于事務(wù)數(shù)據(jù)庫(kù)挖掘的項(xiàng)目集格空間理論（1993,Appriori屬性）。1994年，Agrawal等人提出了著名的Apriori算法。（發(fā)現(xiàn)頻繁項(xiàng)目集）Apriori作為經(jīng)典的頻繁項(xiàng)目集生成算法，在數(shù)據(jù)挖掘中具有里程碑的作用。Apriori算法有兩個(gè)致命的性能瓶頸:1．多次掃描事務(wù)數(shù)據(jù)庫(kù)，需要很大的I/O負(fù)載2．可能產(chǎn)生龐大的侯選集8頻繁項(xiàng)目集生成算法分析Agrawal等人建立了用于事務(wù)數(shù)據(jù)庫(kù)頻繁項(xiàng)目集生成算法分析一些算法雖然仍然遵循Apriori屬性，但是由于引入了相關(guān)技術(shù)，在一定程度上改善了Apriori算法適應(yīng)性和效率。主要的改進(jìn)方法有：基于數(shù)據(jù)分割（Partition）的方法：基本原理是“在一個(gè)劃分中的支持度小于最小支持度的k-項(xiàng)集不可能是全局頻繁的”?；谏⒘校℉ash）的方法：基本原理是“在一個(gè)hash桶內(nèi)支持度小于最小支持度的k-項(xiàng)集不可能是全局頻繁的”?；诓蓸樱⊿ampling）的方法：基本原理是“通過(guò)采樣技術(shù)，評(píng)估被采樣的子集中，并依次來(lái)估計(jì)k-項(xiàng)集的全局頻度”。其他：如，動(dòng)態(tài)刪除沒(méi)有用的事務(wù)：“不包含任何Lk的事務(wù)對(duì)未來(lái)的掃描結(jié)果不會(huì)產(chǎn)生影響，因而可以刪除”。9頻繁項(xiàng)目集生成算法分析一些算法雖然仍然遵循Apriori屬基于散列的方法1995，Park等發(fā)現(xiàn)尋找頻繁項(xiàng)目集的主要計(jì)算是在生成2-頻繁項(xiàng)目集上。因此，Park等利用了這個(gè)性質(zhì)引入雜湊技術(shù)來(lái)改進(jìn)產(chǎn)生2-頻繁項(xiàng)目集的方法。10基于散列的方法1995，Park等發(fā)現(xiàn)尋找頻繁項(xiàng)目集的主要計(jì)第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法

經(jīng)典的頻繁項(xiàng)目集生成算法分析及其改進(jìn)算法對(duì)項(xiàng)目集格空間理論的發(fā)展關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題數(shù)量關(guān)聯(lián)規(guī)則挖掘方法11第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法11探索新的理論隨著數(shù)據(jù)庫(kù)容量的增大，重復(fù)訪問(wèn)數(shù)據(jù)庫(kù)（外存）將導(dǎo)致性能低下。因此，探索新的理論和算法來(lái)減少數(shù)據(jù)庫(kù)的掃描次數(shù)和侯選集空間占用，已經(jīng)成為近年來(lái)關(guān)聯(lián)規(guī)則挖掘研究的熱點(diǎn)之一。兩個(gè)典型的方法：Close算法FP-tree算法12探索新的理論隨著數(shù)據(jù)庫(kù)容量的增大，重復(fù)訪問(wèn)數(shù)據(jù)庫(kù)（外存）將導(dǎo)第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法

經(jīng)典的頻繁項(xiàng)目集生成算法分析及其改進(jìn)算法對(duì)項(xiàng)目集格空間理論的發(fā)展關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題數(shù)量關(guān)聯(lián)規(guī)則挖掘方法13第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法13第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法

經(jīng)典的頻繁項(xiàng)目集生成算法分析及其改進(jìn)算法對(duì)項(xiàng)目集格空間理論的發(fā)展關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題數(shù)量關(guān)聯(lián)規(guī)則挖掘方法14第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法14多層次關(guān)聯(lián)規(guī)則挖掘根據(jù)規(guī)則中涉及到的層次，多層次關(guān)聯(lián)規(guī)則可以分為：同層關(guān)聯(lián)規(guī)則：如果一個(gè)關(guān)聯(lián)規(guī)則對(duì)應(yīng)的項(xiàng)目是同一個(gè)粒度層次，那么它是同層關(guān)聯(lián)規(guī)則。層間關(guān)聯(lián)規(guī)則：如果在不同的粒度層次上考慮問(wèn)題，那么可能得到的是層間關(guān)聯(lián)規(guī)則。多層次關(guān)聯(lián)規(guī)則挖掘的度量方法可以沿用“支持度-可信度”的框架。不過(guò)，多層次關(guān)聯(lián)規(guī)則挖掘有兩種基本的設(shè)置支持度的策略：統(tǒng)一的最小支持度：算法實(shí)現(xiàn)容易，而且很容易支持層間的關(guān)聯(lián)規(guī)則生成。但是弊端也是顯然的：不同層次可能考慮問(wèn)題的精度不同、面向的用戶群不同。對(duì)于一些用戶，可能覺(jué)得支持度太小，產(chǎn)生了過(guò)多不感興趣的規(guī)則。而對(duì)于另外的用戶來(lái)說(shuō)，又認(rèn)為支持度太大，有用信息丟失過(guò)多。不同層次使用不同的最小支持度：每個(gè)層次都有自己的最小支持度。較低層次的最小支持度相對(duì)較小，而較高層次的最小支持度相對(duì)較大。這種方法增加了挖掘的靈活性。但是，也留下了許多相關(guān)問(wèn)題需要解決：首先，不同層次間的支持度應(yīng)該有所關(guān)聯(lián)，只有正確地刻畫這種聯(lián)系或找到轉(zhuǎn)換方法，才能使生成的關(guān)聯(lián)規(guī)則相對(duì)客觀。其次，由于具有不同的支持度，層間的關(guān)聯(lián)規(guī)則挖掘也是必須解決的問(wèn)題。例如，有人提出層間關(guān)聯(lián)規(guī)則應(yīng)該根據(jù)較低層次的最小支持度來(lái)定。15多層次關(guān)聯(lián)規(guī)則挖掘根據(jù)規(guī)則中涉及到的層次，多層次關(guān)聯(lián)規(guī)則可以多維關(guān)聯(lián)規(guī)則挖掘多維關(guān)聯(lián)規(guī)則可以有：維內(nèi)的關(guān)聯(lián)規(guī)則：例如，“年齡（X，20~30）^職業(yè)（X，學(xué)生）=>購(gòu)買（X，筆記本電腦）”。這里我們就涉及到三個(gè)維：年齡、職業(yè)、購(gòu)買?；旌暇S關(guān)聯(lián)規(guī)則：這類規(guī)則允許同一個(gè)維重復(fù)出現(xiàn)。例如，“年齡（X，20~30）^購(gòu)買（X，筆記本電腦）=>購(gòu)買（X，打印機(jī)）”。由于同一個(gè)維“購(gòu)買”在規(guī)則中重復(fù)出現(xiàn)，因此為挖掘帶來(lái)難度。但是，這類規(guī)則更具有普遍性，具有更好的應(yīng)用價(jià)值，因此近年來(lái)得到普遍關(guān)注。16多維關(guān)聯(lián)規(guī)則挖掘多維關(guān)聯(lián)規(guī)則可以有：16第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法

經(jīng)典的頻繁項(xiàng)目集生成算法分析及其改進(jìn)算法對(duì)項(xiàng)目集格空間理論的發(fā)展基于項(xiàng)目序列集操作的關(guān)聯(lián)規(guī)則挖掘算法關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題數(shù)量關(guān)聯(lián)規(guī)則挖掘方法17第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法17數(shù)量關(guān)聯(lián)規(guī)則挖掘方法數(shù)量關(guān)聯(lián)規(guī)則是指同時(shí)包含分類屬性和數(shù)量屬性的關(guān)聯(lián)規(guī)則。對(duì)數(shù)量關(guān)聯(lián)規(guī)則挖掘的研究只要基于兩條技術(shù)路線：一是通過(guò)對(duì)相對(duì)比較成熟的布爾關(guān)聯(lián)規(guī)則算法的改進(jìn)來(lái)解決數(shù)量關(guān)聯(lián)規(guī)則問(wèn)題；二是用一種新的全新的思路和算法來(lái)解決數(shù)量關(guān)聯(lián)規(guī)則挖掘問(wèn)題。目前討論比較多的和相對(duì)成熟的方法是基于第一種技術(shù)的。18數(shù)量關(guān)聯(lián)規(guī)則挖掘方法數(shù)量關(guān)聯(lián)規(guī)則是指同時(shí)包含分類屬性和數(shù)量屬三關(guān)聯(lián)規(guī)則挖掘理論

基本概念與解決方法

經(jīng)典的頻繁項(xiàng)目集生成算法分析及其改進(jìn)算法對(duì)項(xiàng)目集格空間理論的發(fā)展關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題數(shù)量關(guān)聯(lián)規(guī)則挖掘方法19三關(guān)聯(lián)規(guī)則挖掘理論

基本概念與解決方法1關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘研究的基礎(chǔ)關(guān)聯(lián)規(guī)則挖掘（AssociationRuleMining）是數(shù)據(jù)挖掘中研究較早而且至今仍活躍的研究方法之一。最早是由Agrawal等人提出的（1993）。最初提出的動(dòng)機(jī)是針對(duì)購(gòu)物籃分析（BasketAnalysis）問(wèn)題提出的，其目的是為了發(fā)現(xiàn)交易數(shù)據(jù)庫(kù)（TransactionDatabase）中不同商品之間的聯(lián)系規(guī)則。關(guān)聯(lián)規(guī)則的挖掘工作成果頗豐。例如，關(guān)聯(lián)規(guī)則的挖掘理論、算法設(shè)計(jì)、算法的性能以及應(yīng)用推廣、并行關(guān)聯(lián)規(guī)則挖掘（ParallelAssociationRuleMining）以及數(shù)量關(guān)聯(lián)規(guī)則挖掘（QuantitiveAssociationRuleMining）等。關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的其他研究分支的基礎(chǔ)。

20關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘研究的基礎(chǔ)關(guān)聯(lián)規(guī)則挖掘（Associa事務(wù)數(shù)據(jù)庫(kù)設(shè)I={i1，i2，…，im}是一個(gè)項(xiàng)目集合，事務(wù)數(shù)據(jù)庫(kù)D={t1，t2，…，tn}是由一系列具有唯一標(biāo)識(shí)TID的事務(wù)組成，每個(gè)事務(wù)ti（i=1，2，…，n）都對(duì)應(yīng)I上的一個(gè)子集。一個(gè)事務(wù)數(shù)據(jù)庫(kù)可以用來(lái)刻畫：購(gòu)物記錄：I是全部物品集合，D是購(gòu)物清單，每個(gè)元組ti是一次購(gòu)買物品的集合（它當(dāng)然是I的一個(gè)子集）。其它應(yīng)用問(wèn)題21事務(wù)數(shù)據(jù)庫(kù)設(shè)I={i1，i2，…，im}是一個(gè)項(xiàng)目集合支持度與頻繁項(xiàng)目集定義（項(xiàng)目集的支持度）.給定一個(gè)全局項(xiàng)目集I和數(shù)據(jù)庫(kù)D，一個(gè)項(xiàng)目集I1I在D上的支持度（Support）是包含I1的事務(wù)在D中所占的百分比：support（I1

）=||{tD|I1

t}||/||D||。定義（頻繁項(xiàng)目集）.給定全局項(xiàng)目集I和數(shù)據(jù)庫(kù)D，D中所有滿足用戶指定的最小支持度（Minsupport）的項(xiàng)目集，即大于或等于minsupport的I的非空子集，稱為頻繁項(xiàng)目集（頻集：FrequentItemsets）或者大項(xiàng)目集（LargeIitemsets）。在頻繁項(xiàng)目集中挑選出所有不被其他元素包含的頻繁項(xiàng)目集稱為最大頻繁項(xiàng)目集（最大頻集：MaximumFrequentItemsets）或最大大項(xiàng)目集（MaximumLargeIitemsets）。22支持度與頻繁項(xiàng)目集定義（項(xiàng)目集的支持度）.給定一個(gè)全局項(xiàng)可信度與關(guān)聯(lián)規(guī)則定義（關(guān)聯(lián)規(guī)則與可信度）.給定一個(gè)全局項(xiàng)目集I和數(shù)據(jù)庫(kù)D，一個(gè)定義在I和D上的關(guān)聯(lián)規(guī)則形如I1I2，并且它的可信度或信任度或置信度（Confidence）是指包含I1和I2的事務(wù)數(shù)與包含I1的事務(wù)數(shù)之比，即Confidence（I1I2）=support（I1∪I2）/support（I1），其中I1，I2I，I1∩I2=Ф。定義（強(qiáng)關(guān)聯(lián)規(guī)則）.

D在I上滿足最小支持度和最小信任度（Minconfidence）的關(guān)聯(lián)規(guī)則稱為強(qiáng)關(guān)聯(lián)規(guī)則（StrongAssociationRule）。23可信度與關(guān)聯(lián)規(guī)則定義（關(guān)聯(lián)規(guī)則與可信度）.給定一個(gè)全局項(xiàng)目集關(guān)聯(lián)規(guī)則挖掘基本過(guò)程關(guān)聯(lián)規(guī)則挖掘問(wèn)題可以劃分成兩個(gè)子問(wèn)題：1.發(fā)現(xiàn)頻繁項(xiàng)目集:通過(guò)用戶給定Minsupport，尋找所有頻繁項(xiàng)目集或者最大頻繁項(xiàng)目集。2．生成關(guān)聯(lián)規(guī)則:通過(guò)用戶給定Minconfidence，在頻繁項(xiàng)目集中，尋找關(guān)聯(lián)規(guī)則。第1個(gè)子問(wèn)題是近年來(lái)關(guān)聯(lián)規(guī)則挖掘算法研究的重點(diǎn)。24關(guān)聯(lián)規(guī)則挖掘基本過(guò)程關(guān)聯(lián)規(guī)則挖掘問(wèn)題可以劃分成兩個(gè)子問(wèn)題：6第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法

經(jīng)典的頻繁項(xiàng)目集生成算法分析及其改進(jìn)算法對(duì)項(xiàng)目集格空間理論的發(fā)展關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題數(shù)量關(guān)聯(lián)規(guī)則挖掘方法25第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法7頻繁項(xiàng)目集生成算法分析Agrawal等人建立了用于事務(wù)數(shù)據(jù)庫(kù)挖掘的項(xiàng)目集格空間理論（1993,Appriori屬性）。1994年，Agrawal等人提出了著名的Apriori算法。（發(fā)現(xiàn)頻繁項(xiàng)目集）Apriori作為經(jīng)典的頻繁項(xiàng)目集生成算法，在數(shù)據(jù)挖掘中具有里程碑的作用。Apriori算法有兩個(gè)致命的性能瓶頸:1．多次掃描事務(wù)數(shù)據(jù)庫(kù)，需要很大的I/O負(fù)載2．可能產(chǎn)生龐大的侯選集26頻繁項(xiàng)目集生成算法分析Agrawal等人建立了用于事務(wù)數(shù)據(jù)庫(kù)頻繁項(xiàng)目集生成算法分析一些算法雖然仍然遵循Apriori屬性，但是由于引入了相關(guān)技術(shù)，在一定程度上改善了Apriori算法適應(yīng)性和效率。主要的改進(jìn)方法有：基于數(shù)據(jù)分割（Partition）的方法：基本原理是“在一個(gè)劃分中的支持度小于最小支持度的k-項(xiàng)集不可能是全局頻繁的”。基于散列（Hash）的方法：基本原理是“在一個(gè)hash桶內(nèi)支持度小于最小支持度的k-項(xiàng)集不可能是全局頻繁的”?；诓蓸樱⊿ampling）的方法：基本原理是“通過(guò)采樣技術(shù)，評(píng)估被采樣的子集中，并依次來(lái)估計(jì)k-項(xiàng)集的全局頻度”。其他：如，動(dòng)態(tài)刪除沒(méi)有用的事務(wù)：“不包含任何Lk的事務(wù)對(duì)未來(lái)的掃描結(jié)果不會(huì)產(chǎn)生影響，因而可以刪除”。27頻繁項(xiàng)目集生成算法分析一些算法雖然仍然遵循Apriori屬基于散列的方法1995，Park等發(fā)現(xiàn)尋找頻繁項(xiàng)目集的主要計(jì)算是在生成2-頻繁項(xiàng)目集上。因此，Park等利用了這個(gè)性質(zhì)引入雜湊技術(shù)來(lái)改進(jìn)產(chǎn)生2-頻繁項(xiàng)目集的方法。28基于散列的方法1995，Park等發(fā)現(xiàn)尋找頻繁項(xiàng)目集的主要計(jì)第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法

經(jīng)典的頻繁項(xiàng)目集生成算法分析及其改進(jìn)算法對(duì)項(xiàng)目集格空間理論的發(fā)展關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題數(shù)量關(guān)聯(lián)規(guī)則挖掘方法29第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法11探索新的理論隨著數(shù)據(jù)庫(kù)容量的增大，重復(fù)訪問(wèn)數(shù)據(jù)庫(kù)（外存）將導(dǎo)致性能低下。因此，探索新的理論和算法來(lái)減少數(shù)據(jù)庫(kù)的掃描次數(shù)和侯選集空間占用，已經(jīng)成為近年來(lái)關(guān)聯(lián)規(guī)則挖掘研究的熱點(diǎn)之一。兩個(gè)典型的方法：Close算法FP-tree算法30探索新的理論隨著數(shù)據(jù)庫(kù)容量的增大，重復(fù)訪問(wèn)數(shù)據(jù)庫(kù)（外存）將導(dǎo)第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法

經(jīng)典的頻繁項(xiàng)目集生成算法分析及其改進(jìn)算法對(duì)項(xiàng)目集格空間理論的發(fā)展關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題數(shù)量關(guān)聯(lián)規(guī)則挖掘方法31第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法13第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法

經(jīng)典的頻繁項(xiàng)目集生成算法分析及其改進(jìn)算法對(duì)項(xiàng)目集格空間理論的發(fā)展關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題數(shù)量關(guān)聯(lián)規(guī)則挖掘方法32第三章關(guān)聯(lián)規(guī)則挖掘理論和算法

基本概念與解決方法14多層次關(guān)聯(lián)規(guī)則挖掘根據(jù)規(guī)則中涉及到的層次，多層次關(guān)聯(lián)規(guī)則可以分為：同層關(guān)聯(lián)規(guī)則：如果一個(gè)關(guān)聯(lián)規(guī)則對(duì)應(yīng)的項(xiàng)目是同一個(gè)粒度層次，那么它是同層關(guān)聯(lián)規(guī)則。層間關(guān)聯(lián)規(guī)則：如果在不同的粒度層次上考慮問(wèn)題，那么可能得到的是層間關(guān)聯(lián)規(guī)則。多層次關(guān)聯(lián)規(guī)則挖掘的度量方法可以沿用“支持度-可信度”的框架。不過(guò)，多層次關(guān)聯(lián)規(guī)則挖掘有兩種基本的設(shè)置支持度的策略：統(tǒng)一的最小支持度：算法實(shí)現(xiàn)容易，而且很容易支持層間的關(guān)聯(lián)規(guī)則生成。但是弊端也是顯然的：不同層次可能考慮問(wèn)題的精度不同、面向的用戶群不同。對(duì)于一些用戶，可能覺(jué)得支持度太小，產(chǎn)生了過(guò)多不感興趣的規(guī)則。而對(duì)于另外的用戶來(lái)說(shuō)，又認(rèn)為支持度太大，有用信