关联规则挖掘
来源:互联网 发布:公积金管理系统uc矩阵 编辑:程序博客网 时间:2024/05/16 07:30
1.Apriori关联规则挖掘
----->Apriori算法希望的是完全的标称型数据,如果有数值型属性,必须先进行离散化。接下来我们导入数据集,切换至Associate面板,启动Apriori运行
----->Apriori算法输出的10条规则,按照每一条规则后括号内的置信度量进行排序。规则按照"前件 num.1--->结论 num.2"的形式表示,前件后面的数字表示有多少个实例满足前件,结论后的数字表示有多少个实例满足整个规则,这即是规则的支持度.
------->现在研究Apriori参数的设置
------->设置outputItemSets为true,再次运行Apriori算法,会显示所有这些不同项集和支持的实例数
2.挖掘现实数据集
----->下面以美国国会议员投票信息的分析挖掘为例,我们的任务是基于投票模式预测其所属党派。
------>现在加载数据集,切换至Associate面板,选择Apriori算法。
------->首先,输出中列出的最小支持度为0.45(196个实例),最小置信度度量为0.9,执行的次数为11.具体的10条规则就不一一分析了
------->下面我们单击Visualize All按钮,弹出可视化窗口
------>图中蓝色代表民主党,红色代表共和党。在前四行的16项属性中,由多项属性蓝色占据绝对的统治地位,基本全是蓝色柱;而红色占据统治地位的只有很少的几个属性,又因为覆盖率低而不具备竞争优势,未能入选。在人数上民主党占优势(267:168),加上有明确的政治观点,因此前十条关联规则都打上民主党的印
3.市场购物篮分析
------->加载数据,单击预处理的“Edit”,打开数据集的Viewer窗口,查看数据文件,理解该数据结构
--------->切换至关联面板,启动Apriori算法
-------->分析十条关联规则,对于超市的经理来说,这些信息十分重要,可以根据挖掘到的知识重新安排货架,重新布局超市,提供快速付款通道以及安排送货的附加服务,以期提升市场竞争力。
- [数据挖掘]关联规则挖掘
- 数据挖掘--关联规则
- Weka --- 关联规则挖掘
- 关联规则挖掘
- 关联规则挖掘评述
- 关联规则挖掘
- 关联规则挖掘
- 关联规则挖掘 - 概述
- Weka --- 关联规则挖掘
- 关联规则挖掘
- 数据挖掘-关联规则
- 关联规则挖掘
- 关联规则挖掘
- 关联规则挖掘
- 关联规则挖掘
- 关联规则挖掘:基本概念
- 关联规则挖掘
- 关联规则挖掘
- scala命令行编译运行
- Android MVP框架详解
- Mybatis04--动态SQL
- hibernate和mybatis的理解
- Poj 2018 Best Cow Fences(分数规划+DP&&斜率优化)
- 关联规则挖掘
- Navicat for mysql 功能介绍
- SQL语句Alias
- 服务器管理-- tomcat
- [几何 模拟退火 || 随机增量法] Codeforces 442E #253 (Div. 1) E. Gena and Second Distance
- springmvc和json整合配置方法
- spring MVC中的controller是单例模式,但是是多线程,各个线程之间不影响!
- dubbo 并发控制 和 连接控制
- linux安装jdk