20、数据挖掘中的模式识别算法及模块化粗糙模糊多层感知器

数据挖掘中的模式识别算法及模块化粗糙模糊多层感知器

1. 关联规则挖掘算法优化策略

1.1 分区策略

分区技术仅需对数据库进行两次扫描即可挖掘频繁项集，它包含两个阶段：
- 阶段一 ：将数据库 D 的事务划分为 p 个不重叠的分区。若 D 中事务的最小支持阈值为 min sup，则分区的最小项集支持计数为 min sup 乘以该分区的事务数。针对每个分区，找出其中的所有频繁项集，即局部频繁项集。局部频繁项集对于整个数据库 D 而言，可能频繁也可能不频繁，但任何可能对 D 频繁的项集，至少会在一个分区中作为频繁项集出现。因此，所有局部频繁项集都是相对于 D 的候选项集，这些分区的频繁项集集合构成全局候选项集。
- 阶段二 ：对数据库 D 进行第二次扫描，评估每个候选项集的实际支持度，以确定全局频繁项集。

1.2 采样策略

采样方法的基本思路是从给定数据 D 中随机选取一个样本 S，然后在 S 中搜索频繁项集，而非在 D 中。这样做是在一定程度的准确性和计算时间之间进行权衡。样本 S 的大小应确保在主内存中就能完成频繁项集的搜索，因此总体上只需对 S 中的事务进行一次扫描。由于是在 S 中搜索频繁项集，可能会遗漏一些全局频繁项集。为减少这种可能性，使用低于最小支持值的支持阈值来查找 S 中的局部频繁项集。

1.3 动态项集计数策略

动态项集计数技术将数据库划分为以起始点标记的块。与 Apriori 算法不同，该算法仅在每次完整数据库扫描之前确定新的候选项集，而动态项集计数技术可以在任何起始点添加新的候选项集。它通过添加