【正文】 持度閾值所對應(yīng)的交易記錄數(shù)就稱為最小支持頻度。規(guī)則 X→Y 的置信度 (Confidence)為ｃ ,是指在Ｄ中包含Ｘ的事務(wù)有ｃ %的事務(wù)同時(shí)又包含Ｙ , 即出現(xiàn)數(shù)據(jù)項(xiàng)集Ｘ的前提下 ,出現(xiàn)數(shù)據(jù)項(xiàng)集Ｙ的概率 ,其表達(dá)式為confidence(X→Y)=P(Y∣X) 。規(guī)則X→Y 的支持度為ｓ ,是指在Ｄ中有ｓ %的事務(wù) ,既包含Ｘ同時(shí)又包含Ｙ ,即同時(shí)出現(xiàn)數(shù)據(jù)項(xiàng)集Ｘ和Ｙ的概率。Ｘ的支持度為 : Support (Ｘ )=Ｐ (Ｘ ) 關(guān)聯(lián)規(guī)則挖掘 (4)關(guān)聯(lián)規(guī)則及其支持度和置信度 一個(gè)關(guān)聯(lián)規(guī)則就是具有“ X→Y ”形式的蘊(yùn)含式，其中有 X ? I， Y ? I且 X∩Y= ? 。 (3)數(shù)據(jù)項(xiàng)集的支持度 數(shù)據(jù)項(xiàng)集的支持度 (Support)就是數(shù)據(jù)項(xiàng)集出現(xiàn)的概率。每一個(gè)事務(wù)賦予一個(gè)唯一的標(biāo)識符 TID。長度為ｋ的數(shù)據(jù)項(xiàng)集稱為ｋ 項(xiàng)集 (kitemsets)。 (1)數(shù)據(jù)項(xiàng)和數(shù)據(jù)項(xiàng)集 設(shè) I ={i1， i2， ...， im}是 n個(gè)不同項(xiàng)目的集合 ,則每一個(gè)項(xiàng)目 ik(ｋ =1,2,?,n) 稱為數(shù)據(jù)項(xiàng) (item)。從采掘的對象上看，由僅在關(guān)系數(shù)據(jù)庫中進(jìn)行挖掘擴(kuò)充到在文本和 web數(shù)據(jù)中進(jìn)行關(guān)聯(lián)的發(fā)現(xiàn)等課題也是未來關(guān)聯(lián)規(guī)則挖掘要深入研究和解決的問題。目前共有三種提高效率的思路，一種技術(shù)是減少數(shù)據(jù)庫掃描次數(shù)；另一種是利用采樣技術(shù)，對要挖掘的數(shù)據(jù)集合進(jìn)行選擇；最后是采用并行數(shù)據(jù)挖掘技術(shù)。 關(guān)聯(lián)規(guī)則挖掘 二是提高算法效率。這時(shí)如果把一些抽象層次的概念也考慮進(jìn)去，比如面包、牛奶更抽象的概念 —— 食品，則有可能新的更為抽象的規(guī)則。也就是說在很多應(yīng)用中，挖掘規(guī)則可以作用到數(shù)據(jù)庫的不同層面上。 關(guān)聯(lián)規(guī)則挖掘 關(guān)聯(lián)規(guī)則是描述在一個(gè)事件中不同的項(xiàng)之間同時(shí)出現(xiàn)的規(guī)律的知識模式，具體地針對一個(gè)事物數(shù)據(jù)庫來說，關(guān)聯(lián)規(guī)則就是通過量化的數(shù)據(jù)描述某種物品的出現(xiàn)對另一種物品的出現(xiàn)有多大的影響。隨著收集和存儲(chǔ)在數(shù)據(jù)庫中的數(shù)據(jù)規(guī)模越來越大，人們對從這些數(shù)據(jù)中挖掘相應(yīng)的關(guān)聯(lián)知識越來越有興趣。在數(shù)據(jù)挖掘領(lǐng)域 ,關(guān)聯(lián)規(guī)則的挖掘有著廣泛的應(yīng)用背景。如果利用聚類分析作為描述性或探索性的工具，那么就可以使用若干聚類算法對同一個(gè)數(shù)據(jù)集進(jìn)行處理以觀察可能獲得的有關(guān)（數(shù)據(jù)特征）描述。 數(shù)據(jù)挖掘 技術(shù)簡介 在聚類分析中有大量的算法可供選擇。就是從給定的數(shù)據(jù)集中搜索數(shù)據(jù)項(xiàng)（ items）之間所存在的有價(jià)值聯(lián)系。 數(shù)據(jù)挖掘 技術(shù)簡介 將一組物理的或抽象的對象，根據(jù)它們之間的相似程度，分為若干組；其中相似的對象構(gòu)成一組，這一過程就稱為聚類過程（ clustering）。通常就是利用（各對象間）距離來進(jìn)行表示的。換句話說，聚類（ clustering）是一個(gè)將數(shù)據(jù)集劃分為若干組或類的過程，并使得同一個(gè)組內(nèi)的數(shù)據(jù)對象具有較高的相似度；而不同組中的數(shù)據(jù)對象是不相似的。前者指的是所有對象都一定被包含，后者指的是所有對象可能被包含。通常關(guān)于對象的可得到的信息不一定足以劃分其成員類別，換句話說，這種不精確性導(dǎo)致了對象的不可分辨性。主要可以分為三類方法：分解法、學(xué)習(xí)法以及這兩種的折衷方法 5．粗糙集 粗糙集 (Rougn Set,RS)理論是一種刻劃不完整性和不確定性的數(shù)學(xué)工具，能有效地分析和處理不精確、不一致、不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律，是由波蘭科學(xué)家 Z. Pawlak在 1982年首先提出。雖然試驗(yàn)表明，神經(jīng)網(wǎng)絡(luò)在某些分類問題上具有比符號方法更好的表現(xiàn)，但是神經(jīng)網(wǎng)絡(luò)用于數(shù)據(jù)挖掘主要不利之處在于無法獲取顯式的規(guī)則。此方法簡單易行并且具有較好的精度。前者直接利用 bayes公式進(jìn)行預(yù)測，把從訓(xùn)練樣本中計(jì)算出的各個(gè)屬性值和類別頻率比作為先驗(yàn)概率， 并假定各個(gè)屬性之間是獨(dú)立的，就可以用 bayes公式和相應(yīng)的概率公司計(jì)算出要預(yù)測實(shí)例的對各類別的條件概率值。 在數(shù)據(jù)挖掘中，主要有兩種 bayes方法，即 Na239。 其后一些統(tǒng)計(jì)學(xué)家將其發(fā)展成一種系統(tǒng)的統(tǒng)計(jì)推斷方法，到本世紀(jì) 30年代形成了貝葉斯學(xué)派， 50~60年代發(fā)展成了一個(gè)有影響的統(tǒng)計(jì)學(xué)派。在最初的 AQ11基礎(chǔ)上， AQ15增加了漸近學(xué)習(xí)，構(gòu)造學(xué)習(xí)和近似推理等功能，成為比較成熟的覆蓋算法。算法就是要求得這樣的最大復(fù)合。算法的核心是所謂的”星”。 AQ是一種典型的基于規(guī)則的方法。 目前的決策樹算法通過啟發(fā)式屬性選擇策略來解決問題。 經(jīng)過剪枝 , 不僅能有效的克服噪聲 , 還使樹變得簡單 , 容易理解。對每個(gè)子集合重復(fù)此過程 , 直到當(dāng)前集中的實(shí)例是同類的為止。如果當(dāng)前訓(xùn)練例子集合中的所有實(shí)例是同類的 , 構(gòu)造一個(gè)葉節(jié)點(diǎn) , 節(jié)點(diǎn)內(nèi)容即是該類別。 數(shù)據(jù)挖掘 技術(shù)簡介 1．決策樹 構(gòu)造一個(gè)決策樹分類器通常分為兩步：樹的生成和剪枝。目前普遍認(rèn)為不存在某種方法能適合各種特點(diǎn)的數(shù)據(jù)。分類和回歸都可用于預(yù)測，預(yù)測的目的是從歷史數(shù)據(jù)記錄中自動(dòng)推導(dǎo)出對給定數(shù)據(jù)的推廣描述，從而能對未來數(shù)據(jù)進(jìn)行預(yù)測。 數(shù)據(jù)挖掘 技術(shù)簡介 分類是數(shù)據(jù)挖掘中一項(xiàng)非常重要的任務(wù)，目前在商業(yè)上的應(yīng)用最多。根據(jù)挖掘方法來分，數(shù)據(jù)挖掘方法可分為機(jī)器學(xué)習(xí)方法、統(tǒng)計(jì)方法、神經(jīng)網(wǎng)絡(luò)方法和數(shù)據(jù)庫方法。 數(shù)據(jù)挖掘 技術(shù)簡介 根據(jù)挖掘的任務(wù)可以分為：分類和預(yù)測模型發(fā)現(xiàn)、數(shù)據(jù)總結(jié)和聚類、關(guān)聯(lián)規(guī)則發(fā)現(xiàn)、序列模式發(fā)現(xiàn)、相似模式發(fā)現(xiàn)和混沌模式發(fā)現(xiàn)等。亞太地區(qū)于 1997 年在新加坡召開了首次 KDD 研討會(huì)，其后又在澳大利亞的墨爾本召開了第二屆，在中國北京召開了第三屆。隨著 KDD 的深入研究以及 KDD 在許多領(lǐng)域的成功應(yīng)用，于 1995 年在加拿大召開了第一屆知識發(fā)現(xiàn)和數(shù)據(jù)挖掘國際學(xué)術(shù)會(huì)議，此后每年都召開大規(guī)模的國際會(huì)議，其研究重點(diǎn)也逐漸從發(fā)現(xiàn)方法轉(zhuǎn)向系統(tǒng)應(yīng)用，注重多種發(fā)現(xiàn)策略和技術(shù)的集成，以及多種學(xué)科之間的相互滲透。 廣義知識 關(guān)聯(lián)知識 分類知識 預(yù)測型知識 數(shù)據(jù)挖掘概述 數(shù)據(jù)庫中發(fā)現(xiàn)知識（ KDD）是 在 1989 年召開的第 11 屆國際人工智能聯(lián)合學(xué)術(shù)會(huì)議 (IJCAI) 上首次提出的。目前 DMKD的主要研究內(nèi)容包括基礎(chǔ)理論、發(fā)現(xiàn)算法、數(shù)據(jù)倉庫、可視化技術(shù)、定性定量互換模型、知識表示方法、發(fā)現(xiàn)知識的維護(hù)和再利用、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中的知識發(fā)現(xiàn)以及網(wǎng)上數(shù)據(jù)挖掘等。 數(shù)據(jù)挖掘概述 隨著 DM和 KDD研究逐步走向深入，數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的研究已經(jīng)形成了三根強(qiáng)大的技術(shù)支柱：數(shù)據(jù)庫、人工智能和數(shù)理統(tǒng)計(jì)。而隨著計(jì)算機(jī)計(jì)算能力的不斷增強(qiáng)，我們有可能利用計(jì)算機(jī)強(qiáng)大的計(jì)算能力只通過相對簡單和固定的方法完成同樣的功能。相反，它是統(tǒng)計(jì)分析方法學(xué)的延伸和擴(kuò)展。這兩門學(xué)科都致力于模式發(fā)現(xiàn)和預(yù)測。在利用數(shù)據(jù)挖掘出來的結(jié)論采取行動(dòng)之前，也許要驗(yàn)證一下如果采取這樣的行動(dòng)會(huì)帶來什么樣的影響，那么 OLAP工具能回答這些問題。它在本質(zhì)上是一個(gè)歸納的過程。用戶首先建立一個(gè)假設(shè)，然后用 OLAP檢索數(shù)據(jù)庫來驗(yàn)證這個(gè)假設(shè)是否正確。 OLAP是