数据挖掘多维关联规则

关联规则挖掘帮助我们找到大型数据集中的关系。

在多维关联中，

• 多维关联规则包含多个方面。

• 数值属性应该离散化。

• 属性可以是无量纲的或定量的。

• 定量特征是数值型的，并包含等级。

挖掘多维关联规则的三种方法是：

使用定量属性的静态离散化

离散化发生在挖掘之前，是静态的。离散化属性被视为绝对的，并使用称为Apriori算法的算法来搜索所有k频繁谓词集（需要k或k+1次表扫描）。频繁谓词集的每个子集都应该是连续的。数据立方体最适合挖掘，因为它们有助于加速挖掘。谓词单元与n维数据立方体的单元相关。

示例：在一个数据立方体中，3D立方体（id，名称，类别）是频繁的，那么它表明（id，名称）、（名称，类别）、（id，类别）也是频繁的。

使用定量属性的动态离散化

它也被称为挖掘定量关联规则，数值属性被动态离散化。

示例

age(A,"12..25")Λrank(A,"1..4")Λgets(A,"laptop computer")

输出

在这里，属性被分类到区间中，并且基于数据的分布。这些区间可以进一步组合进行分析，因此离散化是动态的。

元组网格

基于距离的聚类离散化

这是一个动态的离散化过程，它考虑了感兴趣数据之间的距离。

挖掘过程涉及两个步骤。

• 通过执行聚类来找到所涉及属性的区间。

• 通过搜索一起出现的集群组来获取关联规则。

注意：规则前件和后件中的集群是强相关的，并且一起出现。

结论

本文介绍了使用多维关联规则进行数据挖掘，这有助于找到数据集之间的关系，然后使用不同的方法（离散化）进行挖掘。第一种方法是使用静态离散化，它使用Apriori算法来定位谓词集。第二种是动态离散化，它有助于对数值属性进行动态离散化。第三种是基于距离的离散化，它测量数据点之间的距离。

Amrendra Patel

更新于：2023年8月22日

4K+ 次浏览

开启您的职业生涯

通过完成课程获得认证

开始学习