版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、Y5≤G9l後璺大學(xué)碩士學(xué)位論文學(xué)校代礬:10246學(xué)號(hào):032021170基于InclusionExclusion原理的頻繁項(xiàng)集壓縮方法的研究院專姓系:計(jì)算機(jī)與信息技術(shù)系業(yè):計(jì)算機(jī)軟件與理論名:楊曉明指導(dǎo)教師:張守志副教授完成日期:2006年5月6日●●●●●早十Inclusion—Exclusion蟓胖的頻繁項(xiàng)集件縮方注的研究AbstractFrequentitemsetsminingisanessentialstepinmanyd
2、ataminingtasksHoweversincethenumberofpotentialfrequentitemsetsisgrowsexponentiallywiththenumberofitems,thescaleoffrequentitemsetsisusuallyhuge,whichnotonlyaffectstheefficiencyofminingtask,butalsestricttheeffectofminingta
3、skbecausesuchalargesetmakeitdifficultfortheusertounderstandandprocess,thusrestricttheapplicationanddataminingInfact,thereismuchredundancyinthecollectionoffrequentitemsetswiththeirsupportinformationUsingthewell—knownInclu
4、sion—ExclusionformulaoftheSetTheorywecandiscovertheredundancyandalsocaninfertheredundancyinformationSotheredundancypartcanbecutfromthecollectionandthusreducethecollectionsizeTherearemanyparticularwaytodothisreductionever
5、ywaycanbecalledacondensedrepresentationByminingsomekindsofcondensedrepresentation,wecancutdownthecollectionsizeeffectivelyThesizeofcondensedrepresentationisusuallyfarsmallerthentheoriginalonewhilekeepsalmostallinformatio
6、nMainworkofthisthesisincludes:奪Weproposedtheconceptofstrongrule,andweproposeanewcondensedrepresentationbycombiningfrequentshosteststrongrulesandfrequentitemsets,whichgiveabetterandmoreconciseapproximationoftheoriginalcol
7、lection奪Weintroducedtheconceptofalmostderivableitemsetsandshowthecollectionofallnonalmostderivableitemsetscanberegardedasacondensedrepresentationofthecollectionoffrequentitemsets奪Wediscussedmostknowncondensedrepresentati
8、on,andshowtheirrelationshipwiththeInclusion—ExclusiontheoryWealsoextendedtheseveralknowncondensedreprensentationintwoways:approximationandstrongrulesThenweintroducedthekalmost—freenessframework,andgiveanin—depthanalysisa
9、bouttherelationsbetweentheframeworkandseveralcondensnedreprenesntationsThenwegavetwoeffectivetunablecondensedreprensentaionbasedonkalmost—freenessframeworkKeyword:Datamining,F(xiàn)requentItemset,CondensedRepresentation,Inclus
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于頻繁項(xiàng)集的文本聚類方法研究.pdf
- 基于OpenCL的頻繁項(xiàng)集挖掘研究.pdf
- 基于待與項(xiàng)集的頻繁項(xiàng)集挖掘算法的研究.pdf
- 基于最大頻繁項(xiàng)集的Android惡意應(yīng)用檢測方法研究.pdf
- 最大頻繁項(xiàng)集和頻繁基項(xiàng)集挖掘算法研究.pdf
- 基于矩陣的頻繁項(xiàng)集挖掘算法研究.pdf
- 基于頻繁模式樹的最大頻繁項(xiàng)集挖掘算法研究.pdf
- 頻繁項(xiàng)集挖掘問題的研究.pdf
- 基于抽樣的云頻繁項(xiàng)集挖掘算法研究.pdf
- 基于頻繁閉項(xiàng)集的關(guān)聯(lián)分類算法研究.pdf
- 基于MapReduce框架的頻繁項(xiàng)集挖掘算法研究.pdf
- 基于垂直格式的頻繁項(xiàng)集挖掘算法研究.pdf
- 關(guān)聯(lián)規(guī)則中簡潔頻繁項(xiàng)集的挖掘方法研究.pdf
- 基于閉頻繁項(xiàng)集的Web日志挖掘.pdf
- 基于格的快速頻繁項(xiàng)集挖掘算法
- 最大頻繁項(xiàng)集挖掘算法的研究.pdf
- 基于FP-Tree的頻繁項(xiàng)集挖掘算法研究.pdf
- 基于iceberg概念格的最大頻繁項(xiàng)集挖掘研究.pdf
- 頻繁閉合項(xiàng)集挖掘研究.pdf
- 基于ZBDD結(jié)構(gòu)的頻繁閉合項(xiàng)集挖掘算法研究.pdf
評(píng)論
0/150
提交評(píng)論