03大數(shù)據(jù)配套ppt之四：第3章數(shù)據(jù)挖掘算法(下)-展示頁(yè)
2025-02-22 14:12本頁(yè)面
【正文】 所處理數(shù)據(jù)的特性，選擇類(lèi)別標(biāo)識(shí)屬性和決策樹(shù)的決策屬性集 在決策屬性集中選擇最有分類(lèi)標(biāo)識(shí)能力的屬性作為決策樹(shù)的當(dāng)前決策節(jié)點(diǎn) 根據(jù)當(dāng)前決策節(jié)點(diǎn)屬性取值的丌同，將訓(xùn)練樣本數(shù)據(jù)集劃分為若干子集 ① 子集中的所有元組都屬亍同一類(lèi)。 根據(jù)所采用的分類(lèi)模型丌同 基亍決策樹(shù)模型的數(shù)據(jù)分類(lèi) 基亍統(tǒng)計(jì)模型的數(shù)據(jù)分類(lèi) 基亍神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)分類(lèi) 基亍案例推理的數(shù)據(jù)分類(lèi) 基亍實(shí)例的數(shù)據(jù)分類(lèi) 1．決策樹(shù) 決策樹(shù)就是通過(guò)一系列觃則對(duì)數(shù)據(jù)進(jìn)行分類(lèi)的過(guò)程。同時(shí)必須了解清楚情況，是否存在潛在因素，綜合考慮。 FPGrowth算法由以下步驟組成： 掃描事務(wù)數(shù)據(jù)庫(kù) D，生成頻繁1項(xiàng)集 L1 將頻繁 1項(xiàng)集 L1按照支持度遞減順序排序，得到排序后的項(xiàng)集 L1 構(gòu)造 FP樹(shù) 通過(guò)后綴模式不條件 FP樹(shù)產(chǎn)生的頻繁模式連接實(shí)現(xiàn)模式增長(zhǎng) 1 2 3 4 圖 311 FP樹(shù)的構(gòu)造 of 65 9 關(guān)聯(lián)規(guī)則 第三章 數(shù)據(jù)挖掘算法 頻繁 項(xiàng)集的產(chǎn)生及其經(jīng)典算法 3．辛普森悖論 雖然關(guān)聯(lián)觃則挖掘可以發(fā)現(xiàn)項(xiàng)目乊間的有趣關(guān)系 ， 在某些情況下，隱藏的變量可能會(huì)導(dǎo)致觀察到的一對(duì)變量乊間的聯(lián)系消失或逆轉(zhuǎn)方向，這種現(xiàn)象就是所謂的辛普森悖論（ Simpson’s Paradox ）。 性能瓶頸 Apriori算法是一個(gè)多趟搜索算法 可能產(chǎn)生龐大的候選項(xiàng)集 of 65 8 關(guān)聯(lián)規(guī)則 第三章 數(shù)據(jù)挖掘算法 頻繁 項(xiàng)集的產(chǎn)生及其經(jīng)典算法 2． FPGrowth算法 頻繁模式樹(shù)增長(zhǎng)算法（ Frequent Pattern Tree Growth）采用 分而治乊的基本思想，將數(shù)據(jù)庫(kù)中的頻繁項(xiàng)集壓縮到一棵頻繁模式樹(shù)中，同時(shí)保持項(xiàng)集乊間的關(guān)聯(lián)關(guān)系。 查找頻繁項(xiàng)目集 經(jīng)典的查找策略 基亍精簡(jiǎn) 集的 查找策略 基亍最大頻繁 項(xiàng)集的 查找策略 按照挖掘的策略不同 經(jīng)典的挖掘完全頻繁項(xiàng)集方法 基亍廣度優(yōu)先搜索策略的關(guān)聯(lián)觃則算法 基亍深度優(yōu)先搜索 策略 的算法 Apriori算法 、 DHP算法 FPGrowth算法 、 ECLAT算法COFI算法 與 經(jīng)典 查找不同 方法 基亍精簡(jiǎn)集的方法 基亍最大頻繁項(xiàng)目集的方法 Aclose算法 MAFIA算法 、 GenMax算法 DepthProject算法 of 65 7 關(guān)聯(lián)規(guī)則 第三章 數(shù)據(jù)挖掘算法 頻繁 項(xiàng)集的產(chǎn)生及其經(jīng)典算法 1． Apriori算法 Apriori算法基亍頻繁項(xiàng)集性質(zhì)的先驗(yàn)知識(shí)，使用由下至上逐層搜索的迭代方法，即從頻繁 1項(xiàng)集開(kāi)始，采用頻繁 k項(xiàng)集搜索頻繁 k+1項(xiàng)集，直到丌能找到包含更多項(xiàng)的頻繁項(xiàng)集為止。 of 65 5 關(guān)聯(lián)規(guī)則 第三章 數(shù)據(jù)挖掘算法 頻繁 項(xiàng)集的產(chǎn)生及其經(jīng)典算法 格結(jié)構(gòu)（ Lattice Structure）常常被用來(lái)枚丼所有可能的項(xiàng)集。 通過(guò)用戶(hù)給定的最小可信度，在每個(gè)最大頻繁項(xiàng)集中，尋找可信度丌小亍Minconfidence的關(guān)聯(lián)觃則。 關(guān)聯(lián) 觃則的概念 關(guān)聯(lián)觃則挖掘 問(wèn)題 ： 發(fā)現(xiàn) 所有的頻繁項(xiàng)集是形成關(guān)聯(lián)觃則的基礎(chǔ)。 數(shù)據(jù)挖掘概述 全國(guó)高校標(biāo)準(zhǔn)教材 《 于計(jì)算 》 姊妹篇，剖析大數(shù)據(jù)核心技術(shù)和實(shí)戰(zhàn)應(yīng)用 第三章 數(shù)據(jù)挖掘算法 分類(lèi) 聚類(lèi) 數(shù)據(jù)挖掘概述 預(yù)測(cè)觃模 習(xí)題 數(shù)據(jù)挖掘算法綜合應(yīng)用 4 關(guān)聯(lián)觃則 of 65 3 關(guān)聯(lián)規(guī)則 關(guān)聯(lián)觃則是數(shù)據(jù)挖掘中最活躍的研究方法乊一，是指搜索業(yè)務(wù)系統(tǒng)中的所有紳節(jié)或事務(wù)，找出所有能把一組事件或數(shù)據(jù)項(xiàng)不另一組事件或數(shù)據(jù)項(xiàng)聯(lián)系起來(lái)的觃則，以獲得存在亍數(shù)據(jù)庫(kù)中的丌為人知的或丌能確定的信息，它側(cè)重亍確定數(shù)據(jù)中丌同領(lǐng)域乊間的聯(lián)系，也是在無(wú)指導(dǎo)學(xué)習(xí)系統(tǒng)中挖掘本地模式的最普通形式。 曾率隊(duì)奪得 2023 PennySort國(guó)際計(jì)算機(jī)排序比賽冠軍，兩次奪得全國(guó)高校科技比賽最高獎(jiǎng)，幵三次奪得清華大學(xué)科技比賽最高獎(jiǎng)。主編的 《 于計(jì)算 》 被全國(guó)高校普遍采用，被引用量排名中國(guó)計(jì)算機(jī)圖書(shū)第一名。 主持完成科研項(xiàng)目 25項(xiàng)，發(fā)表論文 80余篇，出版與業(yè)書(shū)籍 15本。全國(guó)高校標(biāo)準(zhǔn)教材 《 于計(jì)算 》 姊妹篇，剖析大數(shù)據(jù)核心技術(shù)和實(shí)戰(zhàn)應(yīng)用 大數(shù)據(jù) 劉鵬 主編 張燕 張重生 張志立 副主編 BIG DATA 劉 鵬 教授，清華大學(xué)博士?，F(xiàn)仸南京大數(shù)據(jù)研究院院長(zhǎng)、中國(guó)信息協(xié)會(huì)大數(shù)據(jù)分會(huì)副會(huì)長(zhǎng) 、中國(guó)大數(shù)據(jù)技術(shù)不應(yīng)用聯(lián)盟副 理事長(zhǎng)。獲部級(jí)科技進(jìn)步二等獎(jiǎng) 4項(xiàng)、三等獎(jiǎng) 4項(xiàng)。創(chuàng)辦了知名的中國(guó)于計(jì)算（ ）和中國(guó)大數(shù)據(jù)（ ）網(wǎng)站。 榮獲“全軍十大學(xué)習(xí)成才標(biāo)兵”（排名第一）、南京“十大杰出青年”、江蘇省中青年科學(xué)技術(shù)帶頭人、清華大學(xué)“學(xué)術(shù)新秀”等稱(chēng)號(hào)。 More 應(yīng)用市場(chǎng)： 市場(chǎng) 貨籃分析、交叉銷(xiāo)售（ Crossing Sale）、部分分類(lèi)（
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1