基于粗集約簡構造概念格的關聯規(guī)則挖掘.pdf

1、近年來,隨著數據庫管理系統被廣泛應用,以及計算機和網絡的發(fā)展,產生了各種各樣的數據。在如何從海量數據中提取有價值的知識和信息,更好利用這些數據,來預測未來發(fā)展趨勢等迫切的需求下,數據挖掘便應運而生,引起了信息產業(yè)界和整個社會的廣泛關注,成為目前研究熱點之一。
　　關聯規(guī)則挖掘是數據挖掘的一個重要研究內容和研究熱點之一。粗糙集與概念格是數據分析和知識處理的有力工具。粗糙集理論是一種處理不完備和不確定知識的數學工具,已經廣泛應用于數據

2、挖掘等領域?；诖旨瘜傩约s簡,刪除冗余屬性,降低屬性的維數,來減少數據挖掘規(guī)模和大量候選項集的產生,是粗糙集理論在數據挖掘領域的重要研究內容之一。而概念格產生于形式概念分析,它的每個結點實質上是一個最大項目集,通過構造概念格,利用Hasse圖可視化的優(yōu)點,方便計算支持度和置信度,以及快速地找出感興趣的或有意義的關聯規(guī)則,使用戶能更好的分析挖掘結果,得到較好的關聯規(guī)則。因此,利用概念格提取關聯規(guī)則是有意義的。
　　本文分析了經典的關

3、聯規(guī)則挖掘算法,對進一步需要研究的問題進行了分析,包括挖掘過程中產生大量候選項集、多次掃描數據庫,以及當數據屬性數目較多時挖掘效率低下等問題。分析了經典的屬性約簡算法,包括 Pawlak屬性約簡算法,信息熵約簡算法和Skowron矩陣約簡算法,而這些算法要么不夠直觀,要么比較復雜,要么計算量大,空間性能較低,要么實現困難。接著以這些問題為突破口,將粗集約簡和構造概念格關聯規(guī)則提取這兩種方法綜合,實現關聯規(guī)則挖掘。本文主要工作及結果如下:

4、
　　1)本文提出一種改進的基于知識劃分粒度的決策表約簡算法。該算法從知識劃分粒度概念出發(fā),定義了相對知識劃分粒度和相對知識劃分粒度的相對重要度,以相對知識劃分粒度相對重要度為終止條件,求取相對屬性約簡集。該算法采用的啟發(fā)式算法,首先通過決策表信息求出相對核,然后在核的基礎上求出相應的相對約簡集。并通過實驗分析表明該算法是有效的,能得到精確的約簡集,表現形式簡潔,易于理解,易于在計算機上實現。
　　2)本文將粗集約簡和構造概

5、念格關聯規(guī)則提取這兩種方法綜合,來提取關聯規(guī)則。主要思想是,在數據挖掘數據預處理階段完成后,使用改進的基于知識劃分粒度的屬性約簡算法對數據預處理好的數據進行屬性約簡,刪除冗余屬性,降低屬性的維數,來減少數據挖掘規(guī)模和大量候選項集的產生。然后通過構造概念格算法對約簡結果集構造概念格,通過 Hasse圖形式表現決策表信息。利用Hasse圖可視化的優(yōu)點,方便計算支持度和置信度,以及快速地找出感興趣的或有意義的關聯規(guī)則,使用戶能更好分析挖掘結果