基于OCAT逻辑方法的细精度关联规则挖掘研究与应用

发布时间：2021-08-22 07:45

　　随着计算机技术的广泛使用,信息化如今已经渗透到每一个行业,企业在运营过程中积累了大量的历史数据,与此同时,人们却面临着历史数据臃肿,有用信息匮乏的窘境,如何充分利用这些海量数据并从中挖掘有效的信息对每个行业都是挑战。关联规则挖掘是一种常用的分析数据属性之间相互作用能对事务产生何种影响的技术,比如露点温度与空气湿度是怎样影响天气,降雨与否跟哪些因素有关等等,其相关性分析结果在一定程度上有助于为企业提供决策支持,因此在各行业中被大量使用。常见的关联规则挖掘方法具有描述简单、表达直观和结果可解释性强等优势,自提出以来,众多学者的不断完善与改进,已经取得长足的发展和广泛的应用。然而在实际生活生产需求中,现有的关联规则挖掘方法在处理关系型数据集时,通常以属性为粒度求解属性之间的相关性,可能存在属性相关性不够精细的问题,从而无法剖析属性的内在结构、内涵及隐藏的细粒度的相关规律。也就是说,如何提高算法的fine精度已然成为了一个新的突破点。基于此,本文尝试从逻辑学的角度出发,以期通过某种算法挖掘得到粒度更小的关联规则,为关联规则挖掘提供一个新的角度。本文的具体实现是首先基于领域特征从逻辑学角度提出用... 

【文章来源】：广东工业大学广东省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图５－１气温数据的可达图??Ｆｉｇ．?５－１?Ｔｈｅ?ｒｅａｃｈａｂｉｌｉｔｙ?ｇｒａｐｈ?ｏｆ?ａｔｔｒｉｂｕｔｅ“ｔｅｍｐｅｒａｔｕｒｅ，，??

ＡｌＶＡ２ＶＡ５ＶＡ７Ｖ，Ａ１０ＶｉＡ１２ＶＡ１４ＶＡ１６ＶＡ１８ＶＡ１９）?式（３）??与此同时，采用决策树方法（使用Ｃ４．５算法）得到的结果如图５－１所示，其中叶??子结点０表示不下雨，１表示下雨，其余以小数呈现的节点可以釆用四舍五入法将其规??约为０或者１，以此判定是否下雨。??Ｃｌｉｃｋ?ｔｏ?ｄｉｓｐｌａｙ：?：?Ｓｄｅｎｔｉｉｙ?Ｍａｇｎｉｆｉｃａｌｊｏｎ：?ｉｌＥＫＪ％?Ｐｒｕｎｉｎｇ?ｌｅｖｅｌ：?Ｏｏｆ?７?囊??Ｘ２?＜ｘ２＜５４ｉ＾＾＞＝?６４．５??ｘｔ＜４２５：：＾ｌ￡ｔ＾４２－５?＜?ｘ２＜６５．５＾＾＞＝６Ｓ．Ｓ??．?ｘ２?＜?—＞＝?８８．５?ｘ１?＜?１２３?＾?＞＝＝?１２３ｘ３?＜?８９．５＾３?＞＝?８３－５??‘‘?ｘ３＜８２．５＾３＞＝８２５?＜５３．５＋＞＝５＾０??＾＜ｎ．Ｓｊｍ＞＾７１Ｓ?ｘ２＜Ｓ２．５＾＞＝＾｜??＾?Ｘ１＜６１＾１＞＝Ｓ１．Ｓ?４．１Ｖ１ＩＩ??Ａ?：：??ｘ３?（?？ｎｓ＾３?＞＝?？Ｊ，??ｉｍｓＭｉ?Ａ：??图５－２决策树方法得到的结果??Ｆｉｇ．?５－２?Ｔｈｅ?ｒｅｓｕｌｔ?ｏｆ?ｄｅｃｉｓｉｏｎ?ｔｒｅｅ?ｍｅｔｈｏｄ??４１??Ｉ??


本文编号：3357320