Weka学习笔记03：基于关联规则的数据挖掘

已于 2022-05-09 07:11:38 修改
阅读量1.2k 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： 探索大数据-从Hadoop到Flink 文章标签： 数据挖掘 Apriori 关联规则
于 2022-05-08 14:05:27 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/howard2005/article/details/124645266
本文介绍了使用Weka进行关联规则挖掘，重点讲解了Apriori算法，包括支持度、置信度、提升度和杠杆率等度量标准，并通过实例演示了如何在Weka中设置参数并生成关联规则。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

一、实验数据

  • 使用银行对资产进行评估的数据bank-data.arff（在《Weka学习笔记02》里已经进行了预处理）
    在这里插入图片描述

二、Apriori算法

（一）Apriori算法概述

  • 关联规则是数据分析计算的重要研究方向，Apriori算法作为关联规则算法中的一种，最早是在1994年由Agrawal和Stikantt提出。通过关联分析寻找关联规则，可以科学地发现数据集中的隐匿关系，用于相关业务的决策支持。Apriori算法可以起到寻找强联规则的作用，其核心思想是首先设定最小支持度和置信度，假如存在一条规则能够满足支持度和置信度大于设定的值，该规则即为强关联规则。Apriori 算法是数据挖掘关联规则的频繁项集算法，主要是通过产生频繁项集和产生规则两个阶段实现挖掘。
  • 对于一条关联规则
了解本专栏 订阅专栏 解锁全文 超级会员免费看
学习笔记：数据挖掘与机器学习
howard2005的专栏
12-27 6104
数据挖掘，或者说Data Mining，是一个涵盖广泛且充满活力的学术领域，其核心目标在于揭示隐藏在海量数据背后的有价值信息和知识。这一过程涵盖了多种方法和技术，包括但不限于商业智能（BI）、统计分析、大数据处理技术以及市场运营策略。
数据研发学习笔记4.11：大数据之数据可视化
weixin_41961559的博客
05-18 4328
文章目录1 可视化概述1.1 什么是数据可视化1.2 可视化的发展历程1.3 可视化的重要作用2 可视化工具2.1 入门级工具2.2 信息图表工具2.3 地图工具2.4 时间线工具2.5 高级分析工具3 可视化典型案例3.1 全球黑客活动3.2 互联网地图3.3 编程语言之间的影响力关系图3.4 百度迁徙3.5 世界国家健康与财富之间的关系3.6 3D可视化互联网地图APP4 可视化工具实践4.1 D3可视化库使用指南4.2 Easel.ly信息图制作实践4.3 数据可视化之魔镜4.4 数据可视化之ECha
weka中解读经典关联规则Apriori
05-06
在weka 中，详细解读经典关联算法的Apriori的源代码
Weka --- 关联规则挖掘
机器学习与神经网络
12-26 6376
算法属性设置： 1.car：如果设为真，则会挖掘类关联规则而不是全局关联规则。 2.classindex： 类属性索引。如果设置为-1，最后的属性被当做类属性。 3.delta： 以此数值为迭代递减单位。不断减小支持度直至达到最小支持度或产生了满足数量要求的规则。 4.lowerBoundMinSupport： 最小支持度下界。 5.metricType： 度量类型，设置对规则进行排序的
数据挖掘系列（4）使用weka做关联规则挖掘
AlienTech for better life!~
11-16 3890
前面几篇介绍了关联规则的一些基本概念和两个基本算法，但实际在商业应用中，写算法反而比较少，理解数据，把握数据，利用工具才是重要的，前面的基础篇是对算法的理解，这篇将介绍开源利用数据挖掘工具weka进行管理规则挖掘。 weka数据集格式arff 　　arff标准数据集简介 　　weka的数据文件后缀为arff（Attribute-Relation File Format，即属性
《数据挖掘基础》实验：Weka平台实现关联规则挖掘
热门推荐
lazyn的博客
12-21 1万+
Weka平台实现关联规则挖掘：进一步理解关联规则算法（Apriori算法、FP-tree算法），利用weka实现数据集的挖掘处理，学会调整模型参数，读懂挖掘规则，解释规则的含义
weka:调用内置算法挖掘数据关联规则
Go for IT
10-11 2844
创建一个Java Project，使用weka中自带的数据集weather.nomial.arff和weather.number.arff，调用weka中的apriori算法，以及FPGrowth算法分别进行挖掘关联规则。
数据挖掘分析技巧与学习笔记
资源摘要信息:"数据挖掘与分析学习笔记数据" 在开始详细解释之前，需要澄清的是，您提供的信息似乎不包含完整的文件内容，而是文件的基本属性和描述。由于没有实际的文件内容提供，我将基于常见的数据挖掘和分析...
weka学习笔记
01-06
【Weka学习笔记】 Weka是一款强大的数据挖掘和机器学习工具，主要应用于数据分析和模式识别。本笔记将详细介绍Weka中的ARFF文件格式，这是Weka处理数据的主要格式。 ARFF（Attribute-Relation File Format）文件由...
利用weka进行数据挖掘——基于Apriori算法的关联规则挖掘实例
fengxiandada的博客
03-30 1万+
文章目录1. weka安装2. 先分析一个Apriori算法的关联规则挖掘实例3. 利用weka进行数据挖掘3.1 将数据转为ARFF格式3.2 利用weka进行分析4. 参考文章 首先，如果不熟悉weka的使用的话，可以从我的git仓库里面拉取一下weka的相关教程，仓库里面还有包含此次实例的所有资源 1. weka安装 我们可以在weka的官网上下载weka软件：weka官网 如果下载速度慢的话也可以直接从我的git仓库里面拉取这个软件，软件是win64位的weka-3-8-6 然后找到对应版本：
基于WEKA数据挖掘中关联规则的分析及应用举例.pdf
07-14
基于WEKA数据挖掘中关联规则的分析及应用举例.pdf
【数据挖掘】关联规则 思维导图
06-20
关联规则 思维导图
weka基础数据集
10-01
weka自带的数据集，数据挖掘基础需要用到的，可以在weka根目录的data中找到
数据分析机器学习实战项目一：关联规则
huxw_magus的博客
07-01 653
1、知识点介绍 明确几个概念： 事务、项、项集合 X==>Y **支持度：**一个项集或者规则在所有事务中出现的频率，σ(X):表示项集X的支持度计数 **置信度：**确定Y在包含X的事务中出现的频繁程度。c(X → Y) = σ(X∪Y)/σ(X) 举个例子： (X , Y)==>Z : 支持度:交易中包含{X 、 Y 、 Z}的可能性 置信度:包含{X 、 Y}的交易中也包含Z的条件概率 若关联规则X->Y的支持度和置信度分别大于或等于用户指定的最小支持率minsupport和最小置信
WEKA——关联规则（购物篮分析）
mmc2015的专栏
12-27 1万+
注意：目前，WEKA的关联规则分析功能仅能用来作示范，不适合用来挖掘大型数据集。 我们打算对前面的“bank-data”数据作关联规则的分析。用“Explorer”打开“bank-data-final.arff”后，切换到“Associate”选项卡。默认关联规则分析是用Apriori算法，我们就用这个算法，但是点“Choose”右边的文本框修改默认的参数，弹出的窗口中点“More”可以看
数据分享|WEKA关联规则挖掘Apriori算法在学生就业数据中的应用
最新发布
拓端研究室TRL
11-13 347
全文链接：https://tecdat.cn/?p=34254关联规则挖掘作为数据挖掘的一个重要分支，对于发现数据之间的潜在关联和规律具有重要意义。在教育领域，学生就业数据是一类重要的数据资源，通过关联规则挖掘可以揭示学生就业相关的规律和影响因素。本文旨在探讨WEKA关联规则挖掘Apriori算法在学生就业数据中的应用，以期为提高学生就业率和优化学生培养方案提供参考（点击文末“阅读原文”获取完整代...
数据挖掘课程设计——基于关联规则挖掘的美国国会议员投票行为分析（使用weka）
Moonee_
09-08 3144
使用关联规则挖掘这一数据挖掘技术来分析美国国会议员投票行为，揭示出影响议员投票结果的因素和规律。
weka java apriori_数据挖掘：关联规则的apriori算法在weka的源码分析
weixin_35508482的博客
02-25 599
相对于机器学习，关联规则的apriori算法更偏向于数据挖掘。1)　测试文档中调用weka的关联规则apriori算法，如下try{File file= new File("F:\\tools/lib/data/contact-lenses.arff");ArffLoader loader= newArffLoader();loader.setFile(file);Instances m_inst...
Weka机器学习-06-关联
fxqwgdddg123的博客
11-06 1499
关联规则反映了一个对象与其他对象之间的相互依赖关系，如果多个对象之间存在一定的关联关系，那么，其中一个对象就能够通过其他对象进行预测。 关联规则通常需要根据覆盖率和准确率进行修剪。覆盖率也称为支持度，支持度计数是应用规则后预测正确的实例的数量，支持度是支持度计数与实例总数的比值。准确率也成为置信度，表示支持度计数与应用规则的实例数量的比值。 由于仅对高覆盖量的关联规则感兴趣，因此关联只寻找能够达到预定的最小覆盖量的属性值对组合，这些组合称为项集，其中的人一个属性值对称为一个项。 Weka使用Associat
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

酒城译痴无心剑

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值