暂无评论
基于图的频繁闭项集挖掘算法,和书上不太一样的频繁集挖掘算法
1993年AGRAWAL R等人提出了一个重要的反映大规模数据中项目集之间有趣的关联或相关联系的研究课题[1],找出属性间有价值的关系,即关联规则的研究。频繁项集的挖掘是获取关联规则不可或缺的步骤。但
提出一种针对动态集合的矩阵型Bloomfilter表示与查找法（matrixBloomfilter，MBF），它使用一个s×m位矩阵对数据集合进行哈希表示与查找，较同类算法SBF和DBF，能继承Blo
分析了现有的对Apriori算法的改进方向,新算法将Apriori的剪枝步骤合并入从Lk-1与Lk-1连接生成Ck的连接步骤,通过使用临时项集TQ存储Lk-1中单个数据项集与Lk-1中其他数据项集连接
传统概念格所蕴含的信息量是非常有限的，基于对多维数据序列的理解，重新描述和扩充了概念内涵，提出一种新的多维概念格，给出其渐进式构造算法。虽然新格的建立增大了格结构的复杂性，但能最大地保证数据的完备性，
基于向量空间模型的文本分类中特征向量是极度稀疏的高维向量，只有降低向量空间维数才能提高分类效率。在利用统计方法选择文本分类特征降低特征空间维数的基础上，采用隐含语义分析技术，挖掘文档特征间的语义信息，
在规定的Chess标准数据集上，规定K=8，支持度support=85%，进行1-频繁项集到K-频繁项集的挖掘
概念层次树在大规模数据挖掘中已得到广泛应用。在介绍基于概念层次树的数据挖掘算法的基础上,针对已有数值型数据概念提升算法的不足,提出了改进后的算法,并通过数据测试给出两种算法的比较效果和应用实例。
频繁模式挖掘的模式数量通常过于巨大，在实际应用中只有少量的频繁模式被使用。Top-k频繁模式挖掘通过排列模式频数限制频繁模式的数量，有效提高了算法效率。提出了TPN（Top-k-Patternsbas
模式挖掘中的知识条纹表示过程研究rar,模式挖掘图像知识挖掘混沌曲线分形圆周采样仿射变换迭代函数系统
暂无评论