属性选择度量是一种启发式方法，用于选择能够“最佳”地将给定的类标记训练元组数据分区 D 分隔成单一类的分裂测试。如果它能够根据分裂标准的结果将 D 分裂成更小的分区，理想情况下，每个分区都可以是纯的（即，落入给定分区的某些元组可以属于同一类）。从概念上讲，“最佳”分裂标准最接近于产生这种结果的方法。属性选择度量被称为分裂规则，因为它们决定了如何在给定节点处划分元组。属性选择……阅读更多

决策树归纳是从类标记训练元组中学习决策树的过程。决策树是一种类似流程图的顺序树状结构，其中每个内部节点（非叶节点）表示对属性的测试，每个分支定义测试的结果，每个叶节点（或终端节点）表示一个类标签。树中最高的节点是根节点。它定义了概念“购买计算机”，即它预测AllElectronics的用户是否可能购买计算机。内部节点用矩形表示，叶节点用椭圆表示。有各种决策树……阅读更多

分类是一种数据挖掘方法，它将元素分配到一组数据中，以帮助进行更有效的预测和分析。当有两个目标类别时，通常使用分类，称为二元分类。当可以预测两个以上类别时，尤其是在模式识别问题中，这定义为多项式分类。然而，多项式分类可用于分类响应数据，其中需要预测哪些类别中的实例具有最大概率。数据分类是一个两步过程。在第一步中，构建一个分类器，定义预定的数据集……阅读更多

规则约束可以分为以下五个元素：反单调性 - 约束的第一个元素是反单调的。考虑规则约束“sum(I.price) ≤ 100”。考虑它正在使用Apriori框架，该框架在每次迭代k中分析大小为k的项集。如果项集中的项的成本总和不少于100，则可以从搜索空间中缩短此项集，因为向集合中插入更多项只会使其成本更高，因此不会满足约束。反单调约束的修剪可以用于……阅读更多

数据挖掘是从存储在存储库中的大量数据中筛选出有用的新的相关性、模式和趋势的过程，使用模式识别技术，包括统计和数学技术。它是对事实数据集的分析，以发现意想不到的关系，并以对数据库所有者而言既合乎逻辑又有帮助的新颖方式总结记录。它是选择、探索和建模大量信息的过程，以查找最初未知的规律或关系，以便为数据库所有者获得清晰且有益的结果。数据挖掘类似于……阅读更多

数据挖掘过程可以从给定的信息集中发现数千条规则，其中大部分最终对用户来说是独立的或乏味的。用户最了解哪种挖掘“方向”可以导致有趣的模式以及他们可能想发现的模式或规则的“形式”。因此，一个好的启发式方法是让用户将这种直觉或期望定义为约束，以约束搜索空间。这种策略称为基于约束的挖掘。基于约束的算法需要约束来减少频繁项集生成步骤（关联规则生成步骤……阅读更多

关联规则聚类系统中涉及以下步骤：分箱 - 定量属性可以具有代表其域的广泛值范围。可以考虑如果将年龄和收入作为轴绘制，则二维网格有多大，其中年龄的每个可能值都在一个轴上创建一个特定位置，并且同样，收入的每个可能值都在另一个轴上创建一个特定位置。可以将网格保持在可管理的大小，可以改为将定量属性的区域划分为区间。这些……阅读更多

在朴素方法中，可以挖掘频繁项集的完整集合，然后删除每个频繁项集，该项集是当前频繁项集的真子集，并提供类似的支持。此方法可以导出2100−1个频繁项集以获得长度为100的频繁项集，所有这些都在开始删除冗余项集之前。推荐的技术是在挖掘阶段精确地搜索封闭频繁项集。这需要我们在挖掘过程中识别封闭项集的方法时修剪搜索空间。有各种修剪策略，包括以下内容：项目……阅读更多

Apriori是由R. Agrawal和R. Srikant在1994年开发的一种开创性算法，用于为布尔关联规则挖掘频繁项集。该算法依赖于算法需要先前了解频繁项集属性的情况。Apriori使用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，通过浏览数据库来汇集每个项目的计数，并接收满足最小支持的项目来发现频繁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，等等，直到不再……阅读更多

频繁模式挖掘有以下几个标准：基于要挖掘的模式的完整性 - 可以挖掘频繁项集的完整集合、封闭频繁项集和最大频繁项集，前提是给定最小支持阈值。还可以提取受约束的频繁项集（可以满足一组用户定义的约束）、近似频繁项集（可以仅更改挖掘的频繁项集的近似支持计数）、近似匹配频繁项集（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