本文選題：尺度關(guān)聯(lián)規(guī)則 + 貝葉斯估計��； 參考：《華南理工大學(xué)》2016年碩士論文

【摘要】：關(guān)聯(lián)規(guī)則挖掘側(cè)重于發(fā)現(xiàn)數(shù)據(jù)中不同項集之間的關(guān)聯(lián)關(guān)系。傳統(tǒng)的關(guān)聯(lián)規(guī)則挖掘算法以多次掃描數(shù)據(jù)庫來挖掘頻繁項目集以提取關(guān)聯(lián)規(guī)則,當(dāng)數(shù)據(jù)達(dá)到一定量級時,存在效率不高、運算量大等問題。本文針對該問題,依據(jù)貝葉斯估計理論,提出一種基于項集變量分布與參數(shù)貝葉斯估計的計算項集支持度和規(guī)則可信度的關(guān)聯(lián)分析方法,使挖掘關(guān)聯(lián)規(guī)則盡可能減少數(shù)據(jù)庫掃描次數(shù)并使新增數(shù)據(jù)的規(guī)則更新更簡單。主要研究內(nèi)容如下:(1)定義項變量為隨機(jī)變量,假設(shè)變量之間相互獨立且均服從正態(tài)分布,通過分布參數(shù)的貝葉斯估計值,確定每一個項變量的分布函數(shù)。給出基于分布的關(guān)聯(lián)分析條件下的項集支持度和規(guī)則置信度的新定義。(2)提出基于項變量分布與分布參數(shù)貝葉斯估計的關(guān)聯(lián)更新算法。結(jié)合貝葉斯共軛先驗分布理論,將原樣本分布看成先驗分布,新增數(shù)據(jù)看成樣本分布,得到參數(shù)的后驗分布和貝葉斯估計值,從而對項目變量的分布函數(shù)進(jìn)行動態(tài)更新。通過動態(tài)更新的參數(shù)后驗分布,計算相應(yīng)項集事件出現(xiàn)的支持度和提取規(guī)則的可信度,特別地,關(guān)聯(lián)規(guī)則的更新只需依賴更新后的后驗分布函數(shù)計算的項集支持度與規(guī)則可信度即可。通過與經(jīng)典Apriori算法進(jìn)行比較,論證了增加的新數(shù)據(jù)下,分布的關(guān)聯(lián)規(guī)則算法的可行性和高效性。(3)經(jīng)典的關(guān)聯(lián)分析/分類規(guī)則,只表示A發(fā)生導(dǎo)致B發(fā)生的規(guī)則可能性,沒有A發(fā)生量多少導(dǎo)致B發(fā)生量多少的規(guī)則可能性,基于項變量分布與貝葉斯估計的關(guān)聯(lián)規(guī)則,可以彌補(bǔ)這一缺陷,即針對每一個項目隨機(jī)變量,可以通過選擇不同實數(shù)c的變化,根據(jù)動態(tài)后驗分布函數(shù)計算k_項集取值不小于c的概率,得到任意k_項集的帶有發(fā)生量大小的支持度,從而挖掘出帶有動態(tài)尺度c的關(guān)聯(lián)規(guī)則,拓展了經(jīng)典關(guān)聯(lián)分析方法提取規(guī)則的應(yīng)用面。
[Abstract]:Association rule mining focuses on discovering the association relationship between different itemsets in data. The traditional association rule mining algorithm mine frequent itemsets by scanning the database many times to extract association rules. When the data reaches a certain order of magnitude, there are some problems such as low efficiency and large computation. In this paper, according to Bayesian estimation theory, an association analysis method based on Bayesian estimation of itemset variable distribution and parameter Bayesian estimation is proposed. Mining association rules reduce the number of database scans as much as possible and make it easier to update new data rules. The main contents of this study are as follows: (1) define the term variables as random variables and assume that each variable is independent and obeyed the normal distribution. The distribution function of each item variable is determined by Bayesian estimation of the distribution parameters. A new definition of itemset support and rule confidence under the condition of distribution-based association analysis is given. A new association updating algorithm based on the distribution of item variables and Bayesian estimation of distributed parameters is proposed. Based on Bayesian conjugate prior distribution theory, the original sample distribution is regarded as a prior distribution, the new data is regarded as a sample distribution, the posterior distribution of parameters and Bayesian estimation are obtained, and the distribution function of item variables is dynamically updated. By dynamically updating the parameter posteriori distribution, the support degree of the event occurrence and the reliability of the extraction rules are calculated, in particular, The updating of association rules only depends on the itemset support and rule confidence calculated by the updated posterior distribution function. By comparing with the classical Apriori algorithm, the feasibility of the distributed association rule algorithm and the efficiency of the classical association analysis / classification rule under the new data are demonstrated. There is no rule possibility of how much A happens and how much B occurs. The association rules based on the distribution of item variables and Bayesian estimation can make up for this shortcoming, that is, random variables for each item. By selecting the variation of different real numbers c, we can calculate the probability that the value of kitem set is not less than c according to the dynamic posteriori distribution function, and obtain the support degree with the amount of occurrence of any kitem set. Thus the association rules with dynamic scale c are excavated and the application of classical association analysis methods is extended.
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：O212.8

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韋程東,王成名,王煒火斤;相依樣本時的線性經(jīng)驗貝葉斯估計[J];廣西師范大學(xué)學(xué)報(自然科學(xué)版);2004年01期

2 王志忠,宋允全;非線形模型方差的貝葉斯估計(英文)[J];云南大學(xué)學(xué)報(自然科學(xué)版);2005年04期

3 于忠義;;誰開創(chuàng)了貝葉斯學(xué)派?——對拉普拉斯1774年一篇文章的回顧[J];統(tǒng)計與信息論壇;2008年01期

4 徐寶;;壽命產(chǎn)品可靠度的貝葉斯估計[J];統(tǒng)計與決策;2011年04期

5 程子紅;;加速壽命試驗下參數(shù)的貝葉斯估計[J];江西科學(xué);2012年01期

6 寧永成;侯代文;;遞推的貝葉斯估計方法[J];四川兵工學(xué)報;2013年10期

7 蔣光震;乘客分布矩陣的貝葉斯估計[J];系統(tǒng)工程;1986年05期

8 Rane L.Curl;王仁鐸;;同位素年齡差的貝葉斯估計[J];地質(zhì)科學(xué)譯叢;1989年03期

9 周錫年;;關(guān)于貝葉斯估計[J];杭州教育學(xué)院學(xué)報;1992年02期

10 楊元喜;抗差貝葉斯估計及應(yīng)用[J];測繪學(xué)報;1992年01期

相關(guān)碩士學(xué)位論文 前10條

1 王韜;基于貝葉斯網(wǎng)絡(luò)的###動車組牽引傳動系統(tǒng)可靠性分析[D];西南交通大學(xué);2015年

2 楊帆;廣義Logistic模型的貝葉斯參數(shù)估計[D];吉林大學(xué);2016年

3 黃琴;基于貝葉斯估計與分布的關(guān)聯(lián)分析方法研究[D];華南理工大學(xué);2016年

4 周凱;基于貝葉斯壓縮感知的人臉識別研究[D];廣西大學(xué);2016年

5 李小華;結(jié)構(gòu)參數(shù)識別的貝葉斯估計方法及應(yīng)用研究[D];中國地震局工程力學(xué)研究所;2009年

6 章欣已;基于貝葉斯估計多品種小批量生產(chǎn)的統(tǒng)計過程控制研究[D];上海交通大學(xué);2013年

7 張玉潔;基于評分的貝葉斯網(wǎng)融合方法[D];云南大學(xué);2011年

8 王朝祿;基于貝葉斯網(wǎng)的廣告點擊率預(yù)測方法及實現(xiàn)[D];云南大學(xué);2013年

9 唐思思;基于離散動態(tài)貝葉斯網(wǎng)絡(luò)的信息安全風(fēng)險評估方法的研究[D];東北大學(xué);2013年

10 朱家明;帶有單側(cè)區(qū)間信息的正態(tài)均值的貝葉斯估計[D];華東師范大學(xué);2002年

，

本文編號：1925903