機器學習經(jīng)典算法-資料下載頁
2025-01-18 17:32本頁面
【正文】 的簇或者大小差別很大的簇。 ? 對于“躁聲”和孤立點數(shù)據(jù)是敏感的，因為簇的中心是通過計算數(shù)據(jù)的平均值得到的，這些數(shù)據(jù)的存在會使聚類的中心發(fā)生很大的偏移。 八、 EM 九、 Apriori算法 ? Apriori算法是一種最有影響的挖掘 布爾 關聯(lián)規(guī)則頻繁項集的算法。 Apriori算法使用頻繁項集的先驗知識，使用一種稱作逐層搜索的迭代方法， k項集用于探索 (k+1)項集。首先，通過掃描事務（交易）記錄，找出所有的頻繁 1項集，該集合記做 L1，然后利用 L1找頻繁 2項集的集合 L2， L2找 L3，如此下去，直到不能再找到任何頻繁 k項集。最后再在所有的頻繁集中找出強規(guī)則，即產(chǎn)生用戶感興趣的關聯(lián)規(guī)則。 步驟 1：發(fā)現(xiàn)頻繁項集 ? 頻繁項集發(fā)現(xiàn)過程： ? （ 1）掃描 ? （ 2）計數(shù) ? （ 3）比較 ? （ 4）產(chǎn)生頻繁項集 ? （ 5）連接、剪枝，產(chǎn)生候選項集 ? 重復步驟（ 1） ~（ 5）直到不能發(fā)現(xiàn)更大頻集 步驟 2：產(chǎn)生關聯(lián)規(guī)則 ? 根據(jù)前面提到的置信度的定義，關聯(lián)規(guī)則的產(chǎn)生如下： ? （ 1）對于每個頻繁項集 L，產(chǎn)生 L的所有非空子集； ? （ 2）對于 L的每個非空子集 S，如果 則輸出規(guī)則“ S → L － S” 。 注： L－ S表示在項集 L中除去 S子集的項集。 ? Apriori算法可以提高數(shù)據(jù)訪問效率，提升發(fā)現(xiàn)頻繁項集的速度 局限性： ? 可能產(chǎn)生大量的候選集 ? 可能需要重復掃描數(shù)據(jù)庫 十、 Pagerank ? 基本思想：如果網(wǎng)頁 T存在一個指向網(wǎng)頁 A的連接，則表明 T的所有者認為 A比較重要，從而把 T的一部分重要性得分賦予 A。這個重要性得分值為： PR（ T） /C(T) 其中 PR（ T）為 T的 PageRank值，C(T)為 T的出鏈數(shù)，則 A的 PageRank值為一系列類似于 T的頁面重要性得分值的累加。 ? 優(yōu)點：是一個與查詢無關的靜態(tài)算法，所有網(wǎng)頁的PageRank值通過離線計算獲得；有效減少在線查詢時的計算量，極大降低了查詢響應時間。 ? 不足：人們的查詢具有主題特征， PageRank忽略了主題相關性，導致結果的相關性和主題性降低；另外， PageRank有很嚴重的對新網(wǎng)頁的歧視 本次課題結束，謝謝 演講完畢，謝謝觀看！
教學課件相關推薦
鄂ICP備17016276號-1