數(shù)據(jù)挖掘中頻繁集的產(chǎn)生算法.pdf

1、　　數(shù)據(jù)挖掘(Data Mining),又稱數(shù)據(jù)庫中的知識發(fā)現(xiàn)(Knowledge Discovery in Database),在最近幾年里已被數(shù)據(jù)庫界所廣泛研究,其中關(guān)聯(lián)規(guī)則(Association Rules)是挖掘的一個重要的問題。
　　關(guān)聯(lián)規(guī)則是發(fā)現(xiàn)交易數(shù)據(jù)庫中不同商品(項)之間的聯(lián)系,這些規(guī)則找出顧客購買行為模式,如購買了某一商品對購買其他商品的影響。發(fā)現(xiàn)這樣的規(guī)則可以應用于商品貨架設(shè)計、貨存安排以及根據(jù)購買模式對用戶

2、進行分類。
　　本文首先介紹了數(shù)據(jù)挖掘的相關(guān)基本知識,常用的歸約方法和關(guān)聯(lián)規(guī)則算法的一般生成過程。接著,詳細討論了數(shù)據(jù)倉庫的相關(guān)理論,既在宏觀上討論了數(shù)據(jù)倉庫面向的對象和使用的方法,又給出頻繁集產(chǎn)生算法的實現(xiàn)。并給出了詳細的數(shù)據(jù)結(jié)構(gòu)和算法實現(xiàn)的細節(jié),比較了它與常規(guī)頻繁集算法的區(qū)別,指出了優(yōu)點所在。
　　文章中實現(xiàn)的FP-growth算法是一個頻繁集產(chǎn)生算法,與一般的類似于Apriori的頻繁集產(chǎn)生算法相比,FP-growth

3、算法的優(yōu)點在于它不需要產(chǎn)生大量的候選集,因而在時間和空間上都有很好的效率。在算法實現(xiàn)過程中,采用了全序元素的組織方式,提高了程序執(zhí)行的速度,同時也考慮了空間占用的問題,尤其是對內(nèi)在和管理問題。程序采用了C++的標準模板庫(STL,Standard Template Library),涉及到的數(shù)據(jù)結(jié)構(gòu)有向量,集合和快速排序算法等。
　　就該算法對數(shù)據(jù)挖掘的作用來說,一方面,它可以給研究數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則的科研人員提供思路,供科研人員參