關聯規(guī)則算法的研究與改進.pdf

1、隨著計算機和信息技術的發(fā)展，人們能夠用更方便的收集數據。數據的爆炸性增長，使人們急切的需要相關的技術來處理這些數據。數據挖掘作為這樣的技術已經成為人們關注的熱點，廣泛地應用于各行各業(yè)。數據挖掘的主要任務有：分類和預測、聚類分析、關聯規(guī)則、序列分析和異常檢測等。本文研究的重點是其中的關聯規(guī)則。
　　本文對兩種關聯規(guī)則挖掘算法Apriori算法和FP-growth算法進行了詳細的分析和研究。論文的主要工作如下：
　　1.基于Ap

2、riori算法的研究，實現了算法在MFC框架下的頻繁項集挖掘。程序通過與后臺Access數據庫的連接，能夠設置不同的項數和最小支持度，實現了頻繁項集的挖掘，并給出本次挖掘的時間開銷。
　　2.通過對Apriori算法每個步驟的分析，提出一種Apriori算法的優(yōu)化方法，通過實例分析和實驗結果驗證了優(yōu)化結果。優(yōu)化后的算法在以下兩個方面做出了改進：（1）在Apriori算法的連接步，需要頻繁兩兩比較k-項頻繁項集前k-1項是否相同，而

3、且會產生大量的候選項集，使得時間復雜度大大增加。優(yōu)化后的算法加入了連接預處理步，減少了連接步的比較次數，避免了許多不必要的頻繁項集的產生；（2）在Apriori算法的支持度計數步，事務的寬度越大，事務遍歷候選Hash樹的有效次數就增加。優(yōu)化算法通過加入事務剪枝歩，降低事務的寬度，有效降低支持度計數的時間開銷。
　　3.FP-growth算法對于大型數據集，生成的FP-tree結構非常復雜，而且需要頻繁的進行下列的步驟：（1）將FP