首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--程序设计论文

基于数据挖掘中关联规则的应用研究

摘要第4-5页
Abstract第5页
第一章 绪论第8-13页
    1.1 引言第8-9页
    1.2 研究现状第9-12页
    1.3 本文主要研究的内容与组织结构第12-13页
第二章 数据挖掘技术及应用第13-22页
    2.1 数据及数据仓库第13-15页
        2.1.1 数据第13-14页
        2.1.2 数据仓库第14-15页
    2.2 数据挖掘技术第15-19页
        2.2.1 决策树第16-17页
        2.2.2 聚类分析第17-18页
        2.2.3 其他技术第18-19页
    2.3 数据挖掘技术的应用第19-21页
    2.4 本章小结第21-22页
第三章 关联规则算法研究第22-37页
    3.1 关联规则相关概念第22-25页
        3.1.1 基本概念第22-23页
        3.1.2 关联规则的技术分类第23-25页
        3.1.3 关联规则技术的应用第25页
    3.2 Apriori算法挖掘频繁项集第25-30页
        3.2.1 Apriori算法介绍第25-27页
        3.2.2 Apriori算法举例第27-28页
        3.2.3 关联规则的生成第28-30页
    3.3 关联规则的评估第30-33页
        3.3.1 关联规则的质量标准第30-31页
        3.3.2 支持度与置信度第31页
        3.3.3 相关性第31-32页
        3.3.4 辛普森悖论第32页
        3.3.5 本文采用的评估标准第32-33页
    3.4 Apriori算法的应用第33-34页
    3.5 关联规则技术的发展第34-36页
        3.5.1 关联规则的应用问题第34-36页
        3.5.2 关联规则最新进展第36页
    3.6 本章小结第36-37页
第四章 关联规则算法的优化第37-56页
    4.1 关联规则挖掘质量的改善第37-38页
        4.1.1 用户主观层面第37-38页
        4.1.2 系统客观层面第38页
    4.2 Apriori算法的分析第38-43页
        4.2.1 Apriori算法瓶颈第38-39页
        4.2.2 基于数据分割法第39页
        4.2.3 基于散列(Hash)法第39-41页
        4.2.4 基于采样(Sampling)法第41页
        4.2.5 AprioriTid算法与Apriori-Hybrid算法第41-43页
    4.3 基于比较事务ID集的改进第43-46页
        4.3.1 Apriori算法的改进第43-44页
        4.3.2 改进的Apriori算法举例第44-46页
    4.4 频繁模式增长算法第46-50页
        4.4.1 频繁模式树第46-48页
        4.4.2 FP-Growth算法发现频繁项集第48-49页
        4.4.3 频繁模式增长算法分析第49-50页
    4.5 频繁模式增长算法的改进第50-55页
        4.5.1 FP-Growth算法瓶颈第50-51页
        4.5.2 基于链地址映射项的改进第51-53页
        4.5.3 分割事务数据库第53-55页
    4.6 本章小结第55-56页
第五章 实验与应用第56-65页
    5.1 基于比较事务ID集算法的实验分析第56-57页
    5.2 基于分割数据库的FP-Growth算法的实验分析第57-58页
    5.3 购物篮数据的关联规则应用第58-64页
        5.3.1 应用分析第58-59页
        5.3.2 数据准备及预处理第59-60页
        5.3.3 关联规则挖掘第60-63页
        5.3.4 关联规则分析第63-64页
    5.4 本章小结第64-65页
第六章 总结与展望第65-67页
    6.1 本文研究的总结第65页
    6.2 展望未来第65-67页
参考文献第67-70页
致谢第70页

论文共70页,点击 下载论文
上一篇:移动社交网络信息过滤及推荐系统研究
下一篇:基于Android的家居环境终端控制系统