基于多层模糊关联规则数据工程应用研究

发布时间：2021-10-19 03:27

　　大数据时代,有数据就等于有信息和知识,但必须对数据进行解释、加工、抽象和概括才能得到信息和知识,这个过程就是数据挖掘,从大量的数据中提取信息、发现新的知识就是数据挖掘的基本任务。关联规则作为数据挖掘的一种发现知识的模式,主要用来发现事务与事务之间的关系。关联规则具有非常重要的意义,有助于发现事务数据库中不同事物之间的联系,找出用户的行为模式,具有极大的商业价值。很多时候我们无法从表面上找到事务间的内在关联,大数据提供了这种可能。现如今,无论是商务领域和银行和保险行业业务的推荐系统,还是医疗和医学领域发现伴随病因,抑或是社交媒体行业间的交叉过滤,各行各业都出现了关联规则的应用。然而,传统的关联规则具有一定的局限性,现实中的真实数据是复杂、模糊的,数据集中各项集的数量也并非全部达到挖掘数量需求。本文提出了多层模糊关联规则挖掘理论,更契合真实生活情景。本文以通用多层关联规则系统为应用点,以多层模糊关联规则为要点,研究成果有以下几方面内容:1)在对传统关联规则研究过程中,利用多层关联规则理论和基本原理,解决了数据库中底层细节项集数据量不够,找不到有意义的强规则的问题;2)研究了模糊理论的基本原... 

【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

数据挖掘的过程

模糊关联规则们可以根据实际情况，选择恰当的分布。域 U=[0,100]上，评价成绩的三个模糊集 A 优 ，据以上规则，从自然语境上我们可以用指派法来设定偏大型，“良”是中间型，“差”是偏小型。采用梯形数的设定：型0, 0 85,( )= ( 85) / 10, 85 95,1, 95 100;xA x x xx 型的“优”成绩的函数图像可以表示为图 3-1。

图 3-2 函数图像 2型1, 0 70,( )= (80 ) / 10, 70 80,0, 80 100;xC x x xx 型的“良”成绩的函数图像可以表示为图 3-3：


本文编号：3444062