數據挖掘現階段最常用的算法(編輯修改稿)
2025-07-20 20:43 本頁面
【文章內容簡介】 表到各臺機器上，在各臺機器上執(zhí)行本地的FP Growth，然后再將各臺機器上的結果匯總起來，得到最終的FP Growth的結果。所謂關系挖掘，值得是挖掘出各個項目之間的因果關系。關系挖掘的基礎是頻繁模式挖掘，通過頻繁模式挖掘，很容易得出關系，舉例就很容易明白，比如我們得到一個頻繁集合：那么通過排列組合可以得到l的子集集合：那么很容易得到下面的推理集合，也就是挖掘出的關系：所有的關系挖掘本質上都是基于頻繁模式推導出來的。在關系挖掘中，有一種非常有用的關系模式挖掘:mining quantitative association rules。所謂quantitative association rules是這樣一種關系模式：該關系模式的挖掘，首先是確定我們所感興趣的屬性：quan1,quan2,cat，然后根據事先確定的間隔，將quan1，quan2按照一定的間隔劃分成一定的catorgory，然后進行頻繁模式挖掘，得出一些關系，然后將這些關系按照grid進行聚合，生成最后的關系模式。通過關系挖掘挖出的關系中往往有很多不是非常有用，因此需要通過另外的指標排除一些這樣的關系，這個指標就是correlation，如下：Correlation是用來衡量A，B之間的相關性，從而排除那些沒有意義的規(guī)則。對于上述所提到的關系挖掘，有一種稱之為constraintbased association mining，這是一種特殊的關系挖掘，它對于所挖掘出的條件加了一些限制條件，這些限制條件可能是由用戶提出的，其主要目的是排除一些不感興趣的關系。對于這種關系挖掘，最直接的辦法先按照最普通的關系挖掘方法進行挖掘，然后利用條件來對結果進行。但是還有更好的方法，就是在挖掘的過程中利用這些條件，從而縮小整個挖掘過程中的search space，從而提高效率。這些限制條件分為這么幾種：antimonotonic，monotonic，succinct，convertible，inconvertible，針對每一種的限制條件，都有一些通用的方法或策略來縮小挖掘的search space，可參閱相關資料。分類和預測分類樹分類樹是一種很常用的分類方法，它該算法的框架表述還是比較清晰的，從根節(jié)點開始不斷得分治，遞歸，生長，直至得到最后的結果。根節(jié)點代表整個訓練樣本集,通過在每個節(jié)點對某個屬性的測試驗證,。該算法是數據挖掘中常用的一類方法。貝葉斯分類器貝葉斯分類的思想很簡單，就是計算屬性和分類之間的條件概率，選擇使得條件概率最大的分類作為最終的分類結果，這是一種基于統(tǒng)計的分類方法，得到了廣泛的引用。貝葉斯分類器分為兩種，一種是樸素貝葉斯分類器，它基于貝葉斯理論：其中X代表特征向量, .:樸素貝葉斯分類器最經典的應用場景就是垃圾郵件過濾。樸素貝葉斯分類器的升級版本就是貝葉斯網絡，因為樸素貝葉斯網絡假設樣本的特征向量的各個特征屬性是獨立的，但對于現實世界，這樣的建模未必合理，因此有人就提出了貝葉斯網絡，貝葉斯網絡假設各個屬性之間是存在條件概率的。貝葉斯網絡是一個各個屬性組成的有向拓撲網絡，每條邊代表條件概率，通過貝葉斯網絡能夠計算出各個屬性相互組合的條件概率。基于規(guī)則的分類器這種分類器利用IF THEN的規(guī)則來進行分類。對于如何產生規(guī)則，有兩種方法：第一種方法，就是從決策樹中生成規(guī)則。因為決策樹天然的就是規(guī)則。第二種方法，是采用Sequential Covering Algorithm，直接從訓練樣本中生成規(guī)則集。該方法的思路是一種generaltospecific的方法，該方法從一個空規(guī)則開始，然后向規(guī)則
職業(yè)教育相關推薦
鄂ICP備17016276號-1