資料結構
網路
關係資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究頻繁模式挖掘的標準是什麼？
頻繁模式挖掘有幾個標準，如下所示：
基於要挖掘的模式的完整性 - 在給定最小支援閾值的情況下，它可以挖掘所有頻繁項集、閉合頻繁項集和最大頻繁項集。
它還可以提取受約束的頻繁項集（它可以滿足一組使用者定義的約束）、近似頻繁項集（它可以僅更改挖掘的頻繁項集的近似支援計數）、近似匹配頻繁項集（它可以計算相對匹配項集的支援計數）、前 k 個頻繁項集（即，對於使用者指定的 k 值，k 個最頻繁的項集）等。
一些應用程式可能對要挖掘的模式的完整性有多個要求，這可能導致不同的計算和最佳化方法。
基於規則集中包含的抽象級別 - 關聯規則挖掘有幾種方法可以在多個抽象級別上發現規則。例如，考慮一組挖掘的關聯規則包含以下規則，其中 X 是定義客戶的變數：
購買(X，“電腦”) ⇒ 購買(X，“惠普印表機”)
購買(X，“筆記型電腦”) ⇒ 購買(X，“惠普印表機”)
基於規則中包含的資料維度數量 - 如果關聯規則中的專案或屬性僅引用一個維度，則它是單維關聯規則。
基於規則中處理的值型別 - 如果規則包含專案存在和不存在之間的關聯，則它是布林關聯規則。如果規則定義定量專案或屬性之間的關聯，則它是定量關聯規則。在這些規則中，專案或屬性的定量值被分成區間。
基於要挖掘的規則型別 - 頻繁模式分析可以建立幾種型別的規則和不同的有趣關係。關聯規則是從頻繁模式生成的著名型別的規則。
基於要挖掘的模式型別 - 可以從多種型別的資料集中挖掘幾種型別的頻繁模式。主要目標是頻繁項集挖掘，即從事務或關係資料集中挖掘頻繁項集（專案集）。
序列模式挖掘在序列資料集中搜索頻繁子序列，其中序列資料是事件的排序。例如，使用序列模式挖掘，可以研究通常購買專案的系列。例如，使用者可能傾向於先購買 PC，然後購買數碼相機，然後購買儲存卡。
更新於： 2022年2月16日
1K+ 瀏覽量
廣告