基于模糊等價類的頻繁項集精簡表示算法研究.pdf

1、傳統(tǒng)關聯(lián)分析需要處理大量的頻繁項集以得到可用的關聯(lián)規(guī)則。為提高規(guī)則的抽取效率，已有多種頻繁項集的精簡模型被提出。但是目前的絕大多數(shù)精簡模型在考慮精簡項集數(shù)量的同時，并未將支持度錯誤率作為一個重要的評價指標，這制約了關聯(lián)分析在實際中的應用。
　　針對上述問題，本文在深入分析現(xiàn)有精簡模型的基礎上，來尋找一種既能降低頻繁項集數(shù)量與支持度錯誤率，又受數(shù)據(jù)集誤差影響較小的頻繁項集精簡表示模型，并設計相應算法。
　　本文的主要研究工作如

2、下:
　　(1)針對頻繁項集數(shù)量較多，現(xiàn)有精簡模型的支持度恢復錯誤率較高的問題，提出了基于模糊等價類的頻繁項集精簡模型。分析總結了模型的相關性質及定理，設計了一種基于深度優(yōu)先搜索策略的頻繁項集的精簡集挖掘算法FECR。實驗結果表明，本模型可以大幅度降低頻繁項集數(shù)量及支持度錯誤率;與元項集模型相比，在同等精簡項集規(guī)模情況下，本文方法生成的頻繁項集精簡集合，在恢復時的支持度錯誤率較低。
　　(2)由于模糊等價類在聚類過程中存在的