負(fù)關(guān)聯(lián)規(guī)則挖掘技術(shù)研究

目錄


第1章關(guān)聯(lián)規(guī)則挖掘概述1
1.1數(shù)據(jù)挖掘概述1
1.1.1數(shù)據(jù)挖掘的起源1
1.1.2數(shù)據(jù)挖掘的定義3
1.1.3數(shù)據(jù)挖掘的任務(wù)4
1.2關(guān)聯(lián)規(guī)則挖掘7
1.2.1概述7
1.2.2主要算法8
1.2.3Apriori算法詳解14
1.2.4由頻繁項集產(chǎn)生關(guān)聯(lián)規(guī)則19
小結(jié)20
第2章挖掘負(fù)關(guān)聯(lián)規(guī)則的PNARC模型21
2.1負(fù)關(guān)聯(lián)規(guī)則概述21
2.2正負(fù)關(guān)聯(lián)規(guī)則相關(guān)性模型——PNARC模型23
2.2.1問題分析23
2.2.2負(fù)關(guān)聯(lián)規(guī)則中支持度與置信度的計算24
2.2.3相關(guān)性在正負(fù)關(guān)聯(lián)規(guī)則挖掘中的應(yīng)用26
2.2.4PNARC算法29
2.3PNARC模型實驗結(jié)果30
2.3.1示例數(shù)據(jù)31
2.3.2更多的實驗結(jié)果32
小結(jié)40
第3章興趣度在負(fù)關(guān)聯(lián)規(guī)則中的應(yīng)用研究41
3.1興趣度在正關(guān)聯(lián)規(guī)則中的應(yīng)用概述41
3.2χ2檢驗在負(fù)關(guān)聯(lián)規(guī)則中的應(yīng)用研究46
3.2.1假設(shè)檢驗相關(guān)知識46
3.2.2χ2檢驗在負(fù)關(guān)聯(lián)規(guī)則中的應(yīng)用研究48
3.2.3算法設(shè)計52
3.2.4實驗結(jié)果53
3.3相關(guān)系數(shù)在負(fù)關(guān)聯(lián)規(guī)則中的應(yīng)用研究55
3.4最小興趣度在負(fù)關(guān)聯(lián)規(guī)則中的應(yīng)用研究57
3.4.1PS興趣度相關(guān)問題討論57
3.4.2算法設(shè)計58
3.4.3實驗結(jié)果59
小結(jié)62
第4章多數(shù)據(jù)庫中的負(fù)關(guān)聯(lián)規(guī)則挖掘63
4.1多數(shù)據(jù)庫中的正關(guān)聯(lián)規(guī)則挖掘概述63
4.2多數(shù)據(jù)庫中的負(fù)關(guān)聯(lián)規(guī)則挖掘67
4.2.1挖掘合成規(guī)則67
4.2.2算法設(shè)計及實驗68
4.3多數(shù)據(jù)庫中挖掘負(fù)加權(quán)關(guān)聯(lián)規(guī)則72
4.4基于PS興趣度的多數(shù)據(jù)庫中的負(fù)關(guān)聯(lián)規(guī)則挖掘79
4.5多數(shù)據(jù)庫中的例外關(guān)聯(lián)規(guī)則挖掘82
小結(jié)86
第5章負(fù)時態(tài)關(guān)聯(lián)規(guī)則挖掘87
5.1研究時態(tài)關(guān)聯(lián)規(guī)則的必要性87
5.2兩種典型的正時態(tài)關(guān)聯(lián)規(guī)則挖掘模型88
5.2.1日歷模型分析88
5.2.2商品生命周期模型分析90
5.3挖掘時態(tài)頻繁項集算法91
5.3.1相關(guān)定義91
5.3.2GTFS算法設(shè)計92
5.3.3GTFS算法舉例93
5.4負(fù)時態(tài)關(guān)聯(lián)規(guī)則挖掘模型95
5.4.1相關(guān)定義95
5.4.2CTFS算法設(shè)計及CTP算法設(shè)計97
5.4.3CTP模型舉例98
小結(jié)100
第6章非頻繁項集挖掘技術(shù)101
6.1比例比率模型101
6.2兩級支持度模型104
6.2.12LS算法設(shè)計104
6.2.22LS算法實驗結(jié)果106
6.2.32LSP算法設(shè)計106
6.2.42LSP模型實驗結(jié)果107
6.3多級最小支持度模型110
6.3.1MLMS模型中非頻繁項集的定義110
6.3.2MLMS算法設(shè)計111
6.3.3實驗結(jié)果112
6.4MLMS的興趣度模型——IMLMS模型114
6.4.1項集的修剪方法114
6.4.2IMLMS算法設(shè)計116
6.4.3實驗結(jié)果118
6.5多項支持度模型119
6.6用基本Apriori算法實現(xiàn)MIS模型124
6.6.1MSB_apriori算法124
6.6.2實驗結(jié)果125
6.6.3MSB_apriori+算法127
6.6.4實驗結(jié)果128
6.7擴(kuò)展的多項支持度模型130
小結(jié)132
第7章負(fù)關(guān)聯(lián)規(guī)則修剪技術(shù)的研究136
7.1正關(guān)聯(lián)規(guī)則修剪的有關(guān)技術(shù)回顧136
7.2最小冗余的無損關(guān)聯(lián)規(guī)則集表述141
7.2.1有關(guān)定義141
7.2.2無損規(guī)則集表述的推演142
7.3基于最小相關(guān)度的負(fù)關(guān)聯(lián)規(guī)則修剪技術(shù)146
7.4基于多最小置信度的負(fù)關(guān)聯(lián)規(guī)則修剪技術(shù)151
7.4.1多置信度的必要性分析152
7.4.2算法和實驗結(jié)果155
7.5基于邏輯推理的負(fù)關(guān)聯(lián)規(guī)則修剪技術(shù)158
小結(jié)165
第8章負(fù)頻繁項集及其負(fù)關(guān)聯(lián)規(guī)則挖掘166
8.1負(fù)頻繁項集挖掘方法——eNFIS算法166
8.1.1負(fù)候選項集支持度計算方法166
8.1.2算法設(shè)計及實驗結(jié)果167
8.2基于多支持度的負(fù)頻繁項集挖掘算法——emsNFIS算法170
8.3負(fù)頻繁項集中的負(fù)關(guān)聯(lián)規(guī)則挖掘問題與對策172
小結(jié)175
第9章正負(fù)關(guān)聯(lián)規(guī)則在大學(xué)校園數(shù)據(jù)分析中的應(yīng)用176
9.1校園數(shù)據(jù)分析的意義176
9.2數(shù)據(jù)預(yù)處理177
9.2.1數(shù)據(jù)預(yù)處理簡介177
9.2.2校園數(shù)據(jù)概述180
9.3基于關(guān)聯(lián)規(guī)則的大學(xué)生心理健康數(shù)據(jù)分析183
9.3.1心理健康數(shù)據(jù)預(yù)處理183
9.3.2挖掘結(jié)果分析187
9.4學(xué)生一卡通消費(fèi)行為與成績間的關(guān)聯(lián)分析190
9.4.1數(shù)據(jù)預(yù)處理190
9.4.2挖掘結(jié)果分析194
9.5圖書借閱行為與成績間的關(guān)聯(lián)分析195
9.5.1數(shù)據(jù)預(yù)處理195
9.5.2挖掘結(jié)果分析197
9.6心理健康與成績間的關(guān)聯(lián)分析197
9.6.1數(shù)據(jù)預(yù)處理197
9.6.2挖掘結(jié)果分析199
9.7消費(fèi)行為、圖書借閱行為、心理健康與成績間的關(guān)聯(lián)分析200
9.7.1數(shù)據(jù)預(yù)處理200
9.7.2挖掘結(jié)果分析201
小結(jié)203
第10章正負(fù)關(guān)聯(lián)規(guī)則在醫(yī)療數(shù)據(jù)分析中的應(yīng)用204
10.1概述204
10.2醫(yī)療數(shù)據(jù)預(yù)處理206
10.2.1醫(yī)療數(shù)據(jù)特征206
10.2.2數(shù)據(jù)選擇207
10.2.3數(shù)據(jù)規(guī)范化208
10.2.4數(shù)據(jù)歸約209
10.3正負(fù)關(guān)聯(lián)規(guī)則在心腦血管疾病分析中的應(yīng)用210
10.4正負(fù)關(guān)聯(lián)規(guī)則在糖尿病分析中的應(yīng)用214
10.5正負(fù)關(guān)聯(lián)規(guī)則在類風(fēng)濕性關(guān)節(jié)炎中的應(yīng)用217
小結(jié)220
縮略語表221
參考文獻(xiàn)223