Apriori 是一种由 R. Agrawal 和 R. Srikant 于 1994 年开发的开创性算法，用于挖掘布尔关联规则的频繁项集。该算法依赖于算法需要先前频繁项集属性知识的情况。Apriori 使用一种称为逐层搜索的迭代方法，其中 k-项集可以探索 (k+1)-项集。首先，通过浏览数据库来收集每个项目的计数，并接收满足最小支持度的项目，从而发现频繁 1-项集的集合。结果集表示为 L1。接下来，L1 可以找到 L2，即频繁 2-项集的集合，它可以找到 L3，依此类推，直到不再... 阅读更多

频繁模式挖掘有几个标准，如下所示：- 基于要挖掘的模式的完整性 - 它可以挖掘整个频繁项集集合、封闭频繁项集和最大频繁项集，前提是给定最小支持阈值。它还可以提取受约束的频繁项集（它可以满足一组用户定义的约束）、近似频繁项集（它只能更改挖掘的频繁项集的近似支持计数）、近似匹配频繁项集（它可以计算相对匹配项集的支持计数）、前 k 个频繁项集（即用户指定的 k 个最频繁项集）... 阅读更多

类区分或比较挖掘将目标类与其对比类区分开的特征。目标类和对比类应该具有可比性，前提是它们共享相同的维度和属性。例如，人员、地址和元素这三个类不可比。但过去三年的销售额是可比的类别，计算机科学候选人和物理学候选人也是如此。开发的技术可以继续用于管理多个可比类别之间的类比较。例如，为类特征定义的属性泛化过程可以更改，以便在所有比较的类之间同步实现泛化。... 阅读更多

属性泛化取决于以下规则：如果原始工作关系中某个属性的独特值集合很大，并且存在一组该属性的泛化运算符，则应选择并应用一个泛化运算符到该属性。此规则取决于以下推理。使用泛化服务泛化工作关系中元组或规则内的属性值将使规则涵盖更多初始数据元组，从而泛化它定义的概念。这对应于定义为向上泛化的泛化规则... 阅读更多

AOI 代表面向属性的归纳。面向属性的归纳方法的概念描述最早于 1989 年提出，比数据立方体方法的引入早几年。数据立方体方法本质上是基于数据的物化视图，这些视图通常已在数据仓库中预先计算。通常，它在提交 OLAP 或数据挖掘查询以进行处理之前实现脱机聚合。换句话说，面向属性的归纳方法通常是一种面向查询、基于泛化、在线数据分析方法。面向属性的归纳的一般思想是首先使用数据库查询收集任务相关数据，然后... 阅读更多

数据泛化通过用更高级别的概念（例如年轻、中年和老年）替换相对低级别的值（例如属性年龄的数值）来汇总数据。鉴于数据库中保存的大量数据，能够以更通用的（而不是低）抽象方法以简洁和简洁的术语定义概念是有益的。它允许数据集在多个抽象级别上进行泛化，方便用户检查数据的总体行为。例如，给定 AllElectronics 数据库，销售经理可以更喜欢查看泛化的数据，而不是检查单个客户交易... 阅读更多

维度灾难和对可理解结果的需求对寻找立方体等级问题的有效且可扩展的解决方案提出了严峻挑战。它可以被限制，但立方体等级问题的一个有趣的版本，称为受约束的多维梯度分析。它可以减少搜索空间并得出有趣的结果。以下是一些约束类型：显著性约束 - 这表明它只能测试数据中具有特定“统计显著性”的单元格，包括包含至少定义数量的基本单元格或至少特定总销售额。在数据... 阅读更多

有三个指标用作异常指标，以支持识别数据异常。这些指标表示单元格中的数量相对于其预期值产生的意外程度。这些指标是计算出来的，并与所有聚合级别的每个单元格相关联。它们如下所示，包括 SelfExp、InExp 和 PathExp 指标是基于表格分析的数值方法。单元格值被视为异常取决于它与预期值的差异程度，其中其预期值由统计模型确定。给定单元格值与其... 阅读更多

发现驱动的探索就是这样一种立方体探索方法。在发现驱动的探索中，预先计算的指示数据异常的指标用于指导用户在所有聚合级别的所有聚合级别的数据分析过程中。将这些指标称为异常指标。直观地说，异常是指与基于统计模型的预期值显着不同的数据立方体单元格值。该模型处理了单元格应用的所有维度的度量值的变化和模式。例如，如果项目销售数据的分析表明 12 月份的销售额与几个月相比有所增加，... 阅读更多

数据仓库是一种可以收集和处理来自多个来源的数据的方法，从而为企业提供重要的业务洞察力。数据仓库专门为支持管理决策的目的而创建。简单来说，数据仓库定义了一个与组织的操作数据库独立维护的数据库。数据仓库系统能够集成多个应用程序系统。它们通过为分析提供可靠的整合历史数据平台来提供数据处理。数据仓库通过为 OLTP 数据库提供一个随着数据累积而卸载记录的地方，以及通过提供... 阅读更多