本文選題：關(guān)聯(lián)規(guī)則 + 聚類算法�。� 參考：《太原科技大學(xué)》2016年碩士論文

【摘要】：關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘的主要研究?jī)?nèi)容之一,并已廣泛地應(yīng)用在市場(chǎng)營(yíng)銷、零售等眾多領(lǐng)域。然而針對(duì)高維海量數(shù)據(jù)集,尤其當(dāng)支持度和置信度閾值太低時(shí),將生成大量冗余和相似的關(guān)聯(lián)規(guī)則,對(duì)關(guān)聯(lián)規(guī)則的理解和實(shí)際應(yīng)用造成了較多困難。本文采用K-means思想,對(duì)關(guān)聯(lián)規(guī)則聚類算法與恒星光譜關(guān)聯(lián)規(guī)則聚類簇的可視化方法進(jìn)行了研究,主要成果如下:(1)給出了一種基于K-means的關(guān)聯(lián)規(guī)則聚類算法。該算法首先重新定義了冗余關(guān)聯(lián)規(guī)則,并給出了一種刪除冗余關(guān)聯(lián)規(guī)則的方法;然后根據(jù)關(guān)聯(lián)規(guī)則前件與后件的結(jié)構(gòu)特性,定義了一種新的規(guī)則間相似性度量;其次采用最大三角形方法選取聚類的初始點(diǎn),并利用K-means思想,對(duì)刪除冗余后的關(guān)聯(lián)規(guī)則進(jìn)行聚類分析,將相似的關(guān)聯(lián)規(guī)則歸為一類;最后采用恒星光譜數(shù)據(jù)和人工數(shù)據(jù)集,實(shí)驗(yàn)驗(yàn)證該算法能夠幫助用戶快速地找到有用的關(guān)聯(lián)規(guī)則。(2)給出了一種基于平行坐標(biāo)的恒星光譜關(guān)聯(lián)規(guī)則簇可視化方法。該方法首先根據(jù)恒星光譜關(guān)聯(lián)規(guī)則簇中的屬性,對(duì)屬性維(橫坐標(biāo))進(jìn)行定義;然后根據(jù)各屬性的特征個(gè)數(shù)對(duì)屬性區(qū)間(縱坐標(biāo))定義;其次,采用刷技術(shù)、增減維數(shù)來(lái)顯示特定維數(shù)或者特定屬性時(shí)的規(guī)律。最后,采用恒星光譜關(guān)聯(lián)規(guī)則聚類集進(jìn)行可視化,實(shí)驗(yàn)驗(yàn)證該方法有效地提高了關(guān)聯(lián)規(guī)則的可理解性。
[Abstract]:Association rules are one of the main research contents of data mining and have been widely used in many fields, such as marketing, retail and so on. However, a large number of redundant and similar association rules will be generated for the high dimensional mass data sets, especially when the support and confidence threshold are too low, which causes more difficulties in the understanding and practical application of association rules. It is difficult to use the K-means idea to study the visualization method of association rule clustering algorithm and stellar spectral association rule clustering cluster. The main results are as follows: (1) a clustering algorithm based on K-means is given. The algorithm first redefines the redundant association rules, and gives a redundant association rule. And then, according to the structural characteristics of the association rules and the post parts, a new measure of the similarity between rules is defined. Secondly, the initial point of the cluster is selected by the maximum triangle method, and the K-means idea is used to cluster analysis of the redundant association rules, and the similar association rules are classified as a class. Finally, the constant star light is used. The algorithm can help users to quickly find useful association rules. (2) a visualization method of star spectral association rules based on parallel coordinates is given. Firstly, the attribute dimension (abscissa) is defined according to the attributes of the star spectral association rules cluster; and then according to each of them, The characteristic number of attributes is defined on the attribute interval (ordinate); secondly, the brush technique is used to increase and decrease the dimension to display the specific dimension or specific property. Finally, the stellar spectral association rule clustering set is used to visualize it. The experiment proves that the method effectively improves the comprehensibility of the association rules.

【學(xué)位授予單位】：太原科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蔡秋茹;柳益君;羅燁;朱廣萍;葉飛躍;;基于K-means聚類的電信企業(yè)客戶分群決策[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

2 張亞萍;胡學(xué)鋼;;基于K-means的樸素貝葉斯分類算法的研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2007年11期

3 劉運(yùn);殷建平;程杰仁;蔡志平;;基于k-Means改進(jìn)算法的分布式拒絕服務(wù)攻擊檢測(cè)[J];計(jì)算機(jī)工程與科學(xué);2008年12期

4 張濟(jì)強(qiáng);高玉良;;遺傳模擬退火算法在k-means聚類中的應(yīng)用[J];電腦知識(shí)與技術(shù);2012年07期

5 賈花萍;李堯龍;哈渭濤;史曉影;;K-means聚類神經(jīng)網(wǎng)絡(luò)分類器在睡眠腦電分期中的應(yīng)用研究[J];河南科學(xué);2012年06期

6 李學(xué)勇;高國(guó)紅;孫甲霞;;基于互信息和K-means聚類的信息安全風(fēng)險(xiǎn)評(píng)估[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年02期

7 郁雪;李敏強(qiáng);;一種結(jié)合有效降維和K-means聚類的協(xié)同過(guò)濾推薦模型[J];計(jì)算機(jī)應(yīng)用研究;2009年10期

8 屈新懷;高萬(wàn)里;丁必榮;李朕;;基于聚類數(shù)和初始值的K-means算法改進(jìn)研究[J];組合機(jī)床與自動(dòng)化加工技術(shù);2011年04期

9 邊鵬;趙妍;蘇玉召;;一種改進(jìn)的K-means算法最佳聚類數(shù)確定方法[J];現(xiàn)代圖書(shū)情報(bào)技術(shù);2011年09期

10 宗瑜;金萍;李明楚;;BK-means:骨架初始解K-means[J];計(jì)算機(jī)工程與應(yīng)用;2009年14期

相關(guān)會(huì)議論文 前6條

1 楊青;劉曄;張東旭;劉暢;;快速查找最優(yōu)初始聚類數(shù)K的改進(jìn)K-means算法[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

2 陳磊;胡佳敏;嚴(yán)華;;K-means算法在散貨船代貨運(yùn)系統(tǒng)中的應(yīng)用[A];全國(guó)第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2009）暨全國(guó)第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2009年

3 鄭建軍;甘仞初;賀躍;畢思飛;;一種基于k-means的聚類集成方法[A];全國(guó)第九屆企業(yè)信息化與工業(yè)工程學(xué)術(shù)會(huì)議論文集[C];2005年

4 張望;王輝;;個(gè)性化服務(wù)中的并行K-Means聚類算法[A];2007年全國(guó)開(kāi)放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(下冊(cè))[C];2007年

5 江華;王翰虎;陳梅;;一種基于K-means聚類分組的P2P超結(jié)點(diǎn)模型[A];2005年全國(guó)開(kāi)放式分布與并行計(jì)算學(xué)術(shù)會(huì)議論文集[C];2005年

6 王守強(qiáng);朱大銘;史士英;;基于輸入點(diǎn)集求解k-Means聚類算法[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

相關(guān)碩士學(xué)位論文 前10條

1 陳智;基于K-means聚類算法的機(jī)會(huì)網(wǎng)絡(luò)群組移動(dòng)模型及其長(zhǎng)相關(guān)性研究[D];湘潭大學(xué);2015年

2 許允棟;K-means聚類算法的改進(jìn)與應(yīng)用[D];廣西師范大學(xué);2015年

3 丁斌;基于布谷鳥(niǎo)算法的K-means聚類挖掘算法研究[D];合肥工業(yè)大學(xué);2015年

4 賀艷芳;熵加權(quán)多視角核k-means聚類算法的研究[D];鄭州大學(xué);2016年

5 陳克;基于K-means算法的CSS Sprites圖片合成技術(shù)的研究[D];東北師范大學(xué);2016年

6 黃新華;基于Apriori和K-means算法的圖書(shū)推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];湖南大學(xué);2016年

7 靳姍姍;基于K-means聚類分析的南海水團(tuán)分布及其季節(jié)變化研究[D];國(guó)家海洋局第一海洋研究所;2017年

8 王琢;基于K-means的關(guān)聯(lián)規(guī)則聚類分析與可視化[D];太原科技大學(xué);2016年

9 梁云昭;基于K-means的圍棋特征提取方法研究[D];北京理工大學(xué);2015年

10 于洋洋;基于并行K-MEANS聚類分析的社群發(fā)現(xiàn)算法研究[D];東北大學(xué);2012年

，

本文編號(hào)：1793868