物聯(lián)網(wǎng)中的智能決策v1135-文庫吧
2024-12-28 22:22 本頁面
【正文】 聯(lián)規(guī)則，需要 置信度 和 支持度 越高越好 基本概念 項集 ：滿足若干條件的數(shù)據(jù)項的集合，如果條件數(shù)為 k，則稱 k項集 ?滿足年齡 (顧客 , “20~29”)的項集是 1項集 ?滿足年齡 (顧客 , “20~29”) 收入 (顧客 , “3000~5000”)的項集是 2項集 計算步驟 ?首先找到具備足夠支持度的項集，即 頻繁項集 ?然后由頻繁項集構(gòu)成關聯(lián)規(guī)則，并計算置信度 關聯(lián)分析 如何尋找頻繁項集 ?Apriori算法 基本思想： 利用已求出的 k項集來計算 (k+1)項集 ?首先計算頻繁 1項集 ?然后根據(jù)兩個頻繁 k項集 {p1, p2, ..., pk}， {q1, q2, ..., qk}計算頻繁 (k+1)項集，其中 pi=qi， 1=i=k1，且該 (k+1)項集為 {p1, p2, ..., pk, qk} ?最后判定該 (k+1)項集是否頻繁即可 缺點： 可能產(chǎn)生大量候選項集，并需要重復地掃描數(shù)據(jù)庫 ?FPGrowth算法 利用樹狀結(jié)構(gòu)保存項集，從而減小了計算頻繁項集所需的存儲空間 關聯(lián)分析 如何由頻繁項集構(gòu)造關聯(lián)規(guī)則，并計算置信度 關聯(lián)規(guī) A B的置信度 其中 count(A AND B)為滿足條件 A以及 B的數(shù)據(jù)項數(shù)目， count(A)為滿足條件 A的數(shù)據(jù)項數(shù)目 計算步驟 ?對于每一個頻繁項集 S，計算 S的所有非空子集 ?對于每個 S的非空子集 F，若 大于給定置信度閾值，則得到一個關聯(lián)規(guī)則 ? )(count ) AND (count)|(P)(Confide nce A BAABBA ???)(count )(countFS )( FS ??分類和預測 分類和預測 的目標是 找出描述和區(qū)分不同數(shù)據(jù)類或概念的模型或函數(shù) ，以便能夠使用模型預測數(shù)據(jù)類或標記未知的對象 所獲得的 分類模型 可以采用多種形式加以描述輸出 ?分類規(guī)則 ?判定樹 ?數(shù)學公式 ?神經(jīng)網(wǎng)絡 ?… 分類與預測的區(qū)別： 分類通常指預測數(shù)據(jù)對象屬于哪一類，而當被預測的值是數(shù)值數(shù)據(jù)時，通常稱為預測 分類和預測 以 判定樹 方法為例，簡要介紹分類的基本步驟和結(jié)果表示 問題實例 ：假定商場需要向潛在的客戶郵寄新產(chǎn)品資料和促銷信息?？蛻魯?shù)據(jù)庫描述的客戶屬性包括姓名、年齡、收入、職業(yè)和信用記錄。 我們可以按是否會在商場購買計算機將客戶分為兩類，只將促銷材料郵寄給那些會購買計算機的客戶，從而降低成本。 分類和預測 用于預測客戶是否可能購買計算機的 判定樹 ，其中 每個非樹葉節(jié)點 表示一個 屬性上的測試 ， 每個樹葉節(jié)點 代表 預測結(jié)果 分類和預測 如何構(gòu)造上述判定樹？ 基本概念： n個客戶中有 a個購買了計算機的 期望信息 建立樹節(jié)點時，選取合適的判定屬性，以 最大化期望信息增益應 ?某種屬性上的信息增益大小反映了該屬性區(qū)分給定
教學課件相關推薦
鄂ICP備17016276號-1