?模糊關(guān)聯(lián)規(guī)則挖掘

? 關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘最基本和最常用的算法之一，Apriori算法基本上是每個學(xué)習(xí)數(shù)據(jù)挖掘的同學(xué)掌握的第一個算法。但是，一般的關(guān)聯(lián)規(guī)則挖掘算法無法處理涉及連續(xù)值的記錄。? 雖然某些算法把連續(xù)值通過劃分區(qū)間的方法離散化，但是這種硬邊界劃分的方法效果并不是很好，一些在邊緣附近的數(shù)據(jù)只能屬于一個劃分，而這與事實不符。比如，年齡的一個劃分可以是青年，但如果我們把青年的區(qū)間定義為[20，30]，則19歲的人就被排除在青年的范圍之外了，顯然這不是很合適。針對這種問題，我們可以基于模糊集把區(qū)間劃分成多個模糊集，然后求得某個元素屬于某個模糊集的概率（根據(jù)模糊隸屬函數(shù)），這樣的話每個元素都可以屬于多個不同的模糊集，而不是只屬于一個集合。劃分模糊集的常用算法是FCM，見參考文獻。

? 當我們給定了所有連續(xù)值屬性的模糊集劃分之后，下一步就是進行關(guān)聯(lián)規(guī)則的挖掘了，我們定義問題如下：

? T={t₁,t₂,...,t_n}是數(shù)據(jù)集

? I={i₁,i₂,...,i_m}是屬性集，我們假定所有的屬性都是數(shù)值型。

? F_ik={f_ik¹,f_ik²,...,f_ik^l}代表第ik個屬性的模糊集。

? 我們要挖掘的模糊關(guān)聯(lián)規(guī)則的形式為：

? ?If X is A then Y is B.

? 其中，X和Y是屬性，A和B是X，Y對應(yīng)的模糊集中的某個劃分，比如：

? X為年齡，其對應(yīng)的模糊集為{嬰兒，幼兒，少年，青年，壯年，老年}，A為青年，Y為薪水，其對應(yīng)的模糊集為{低薪，中薪，高薪}，B為高薪。

? 模糊關(guān)聯(lián)規(guī)則挖掘的過程為：

? 1. 計算significance factor

? 對于每個屬性X與X屬性對應(yīng)的模糊集的劃分的屬性-劃分對<X,A>,比如<年齡，青年>,計算其significance系數(shù)：

?

? 其中

? m_aj是用FCM算法已經(jīng)算好的模糊隸屬函數(shù)的值，只有當其大于閥值w時，我們才會取其值，否則只取0.

? ?2. 計算certainty factor

? 對于第一步求得的所有的significance系數(shù)大于給定值的<Z,C>對，我們計算所有屬性-劃分對：<X,A>,<Y,B>的certainty系數(shù)：

?

? 求得的certainty系數(shù)大于給定值的<X,A>,<Y,B>就是我們要挖掘的關(guān)聯(lián)規(guī)則：

? If X is A then Y is B.?

?

? ? 參考文獻：

? ? [1] Chan Man Kuok, Ada Fu, Man Hon Wong. Mining Fuzzy Association Rules in Databases.

? ? [2] FCM聚類算法簡介

轉(zhuǎn)載于:https://www.cnblogs.com/kemaswill/archive/2012/11/05/2755826.html

總結(jié)

以上是生活随笔為你收集整理的模糊关联规则挖掘的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。