注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 关联规则挖掘中改进型Diffsets算法

  2. 频繁项集挖掘是关联规则挖掘中至关重要的一步。对于稠密数据集的频繁项集挖掘,传统的挖掘算法往往产 生大量无用的中间结果,造成内存利用率的极大浪费,尤其是在支持度较低的情况下。Diff set s 算法通过引入“差集”的概 念,在一定程度上解决了挖掘过程中产生的大量中间结果与内存容量之间的矛盾。改进型Diff set s 算法是在原算法的基础 上,在差集运算过程中根据差集中所包含的事务标识个数进行递减排序,进一步减少了挖掘过程中产生的中间结果数量。 分析与实例表明,改进后的算法在执行过程中将占用更

  3. 所属分类：其它

    • 发布日期：2009-05-23
    • 文件大小：97kb
    • 提供者：dujianlin86

  1. 基于索引数组的频繁项集挖掘算法.pdf

  2. 基于索引数组的频繁项集挖掘算法.pdf 基于索引数组的频繁项集挖掘算法.pdf

  3. 所属分类：其它

    • 发布日期：2009-08-12
    • 文件大小：215kb
    • 提供者：oxwangfeng

  1. 基于fp树的全局最大频繁项集挖掘算法

  2. 数据挖掘频繁项集是数据挖掘中的重要内容 效率是关键

  3. 所属分类：其它

    • 发布日期：2010-05-05
    • 文件大小：379kb
    • 提供者：suosoujigao

  1. 基于fp_Tree的最大频繁项集挖掘及更新算法

  2. 挖掘频繁项集是多种数据挖掘中的关键问题，该算法不会产生候选项目集

  3. 所属分类：其它

    • 发布日期：2010-05-05
    • 文件大小：438kb
    • 提供者：suosoujigao

  1. c++实现的Apriori生成频繁项集算法源程序

  2. c++实现的Apriori生成频繁项集算法 c++实现的Apriori生成频繁项集算法 文本读入数据 可运行 c++实现的Apriori生成频繁项集算法 c++实现的Apriori生成频繁项集算法 文本读入数据 可运行

  3. 所属分类：C++

    • 发布日期：2010-06-23
    • 文件大小：804kb
    • 提供者：qlxiao520

  1. 在数据流中挖掘频繁项文档

  2. 在数据流中挖掘频繁项文档

  3. 所属分类：其它

    • 发布日期：2008-04-26
    • 文件大小：443kb
    • 提供者：zjnig711

  1. Apriori算法的c++实现 附测试数据

  2. c++实现的Apriori算法，布尔关联规则挖掘频繁项集的算法，生成候选集与频繁项集，经过AllElectronics事物数据样本测试通过。 样本格式需要改动。附测试数据。

  3. 所属分类：C++

    • 发布日期：2011-10-18
    • 文件大小：1mb
    • 提供者：xiaoguaiyin

  1. 基于MapReduce的频繁项集挖掘方法.pdf

  2. 基于MapReduce的频繁项集挖掘方法.pdf

  3. 所属分类：其它

    • 发布日期：2011-12-21
    • 文件大小：639kb
    • 提供者：webcluster

  1. fpmming频繁项集挖掘 最大频繁项集挖掘

  2. 频繁项集挖掘 最大频繁项集挖掘 fp-growth fpmax 自己实现的源码还有测试用例

  3. 所属分类：Java

    • 发布日期：2012-04-13
    • 文件大小：64kb
    • 提供者：answerjiang

  1. 时间敏感数据流上的频繁项集挖掘算法

  2. 本文档重点说明了关于时间敏感数据流上的频繁项集挖掘算法，为数据挖掘专业开发人员提供相关帮助

  3. 所属分类：其它

    • 发布日期：2014-05-24
    • 文件大小：935kb
    • 提供者：u013723236

  1. 基于数组前缀树的频繁项集挖掘算法

  2. 基于数组前缀树的频繁项集挖掘算法 论文 小型微型计算机

  3. 所属分类：其它

    • 发布日期：2014-12-10
    • 文件大小：571kb
    • 提供者：eugeneyang

  1. C++实现Apriori算法，频繁模式数据挖掘，最大频繁项集，闭频繁项集

  2. C++实现Apriori算法，频繁模式数据挖掘，最大频繁项集，闭频繁项集，里面包括测试数据以及apriori.cpp、 apriori.h 、apriori_test.cpp三个文件。具体的相见博客：http://blog.csdn.net/FreeApe/article/details/49562315

  3. 所属分类：C++

    • 发布日期：2015-11-01
    • 文件大小：5kb
    • 提供者：freeape

  1. 一种有效的频繁项双空间挖掘方法.pdf

  2. 传统的Aprior算法当频繁项很长时，效率较低，本文采用一种新的角度进行挖掘频繁项，大大提高了效率。值得学习！

  3. 所属分类：其它

    • 发布日期：2009-03-12
    • 文件大小：259kb
    • 提供者：shiyongchun8212

  1. FP-Growth算法从新闻网站点击流中挖掘频繁项.rar

  2. Fp-Growth算法通过构造一个树结构来压缩数据记录,使得挖掘频繁项集只需要扫描两次数据记录,而且该算法不需要生成候选集合,所以效率会比较高。

  3. 所属分类：机器学习

    • 发布日期：2019-10-20
    • 文件大小：9mb
    • 提供者：wsgagsg

  1. 使用垂直数据格式挖掘频繁项集

  2. 关联规则是数据挖掘的主要技术之一，它是描述数据库中一组数据项之间的某种潜在关系的规则。关联规则挖掘算法——Apriori算法，主要过程是对频繁项集的挖掘,而在对频繁项集的挖掘中首先要生成候选频繁项集，然后再从候选集中确定出满足最小支持度计数的频繁项集,这会耗费大量的CPU开销。使用垂直数据格式挖掘频繁项集可避免候选项目集的求解。

  3. 所属分类：其它

    • 发布日期：2020-10-20
    • 文件大小：202kb
    • 提供者：weixin_38687904

  1. 基于AFOPT-tree的最大频繁项集挖掘

  2. 1993年AGRAWAL R等人提出了一个重要的反映大规模数据中项目集之间有趣的关联或相关联系的研究课题[1]，找出属性间有价值的关系，即关联规则的研究。频繁项集的挖掘是获取关联规则不可或缺的步骤。但挖掘频繁项集时需要考虑太多的候选项集。最大频繁项集中已经隐含了所有的频繁项集，并且在许多数据挖掘应用中也只需要挖掘最大频繁项集，而不是获取所有的频繁项集，因此对最大频繁项集的挖掘具有重大的现实意义。

  3. 所属分类：其它

    • 发布日期：2020-10-17
    • 文件大小：151kb
    • 提供者：weixin_38538381

  1. FP-growth:从FP树中挖掘频繁项集

  2. 前言 若想具体理解FP-growth，请参阅这位大神的作品： https://www.cnblogs.com/pinard/p/6307064.html 本文的前一节《FP-growth：构建FP树》请点击： https://blog.csdn.net/weixin_43901558/article/details/104320588 现在，我们已经有了这样一棵FP树，和头指针表： 显而易见，我们已经找到了6个单元素项的频繁项（即头指针表中的六个元素）。接下来我们要做的是：以此为基础，构建多元

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：217kb
    • 提供者：weixin_38699726

  1. market-basket-analysis:我使用Apriori算法在此项目中执行了“市场篮子分析”。 Apriori算法是数据挖掘中的经典算法。它用于挖掘频繁项集和相关的关联规则。它被设计为在包含大量交易的数据库上运行，例如，商店中客户

  2. market-basket-analysis:我使用Apriori算法在此项目中执行了“市场篮子分析”。 Apriori算法是数据挖掘中的经典算法。它用于挖掘频繁项集和相关的关联规则。它被设计为在包含大量交易的数据库上运行，例如，商店中客户带来的物品

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：44kb
    • 提供者：weixin_42148975

  1. 一种使用N-list快速挖掘频繁项集的新算法

  2. 频繁项目集的挖掘已成为数据挖掘中的一个基本问题，并且在许多重要的数据挖掘任务中发挥着至关重要的作用。 在本文中，我们提出了一种新颖的垂直数据表示形式，称为N-list，该表示形式源自于一种类似于FP-tree的编码前缀树（称为PPC-tree），该树存储了有关频繁项集的关键信息。 基于N列表数据结构，我们开发了一种有效的挖掘算法PrePost，用于挖掘所有频繁项集。 PrePost的效率是通过以下三个原因实现的。 首先，N-list是紧凑的，因为具有公共前缀的事务共享PPC树的相同节点。 其次，

  3. 所属分类：其它

  1. 在不确定的相关数据库中挖掘频繁项集

  2. 在不确定的相关数据库中挖掘频繁项集

  3. 所属分类：其它

    • 发布日期：2021-03-03
    • 文件大小：731kb
    • 提供者：weixin_38659789
« 12 3 4 5 6 7 8 9 10 »