資源描述：
《基于粗糙集理論的數(shù)據(jù)挖掘方法研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、中國科學(xué)技術(shù)大學(xué)碩士學(xué)位論文基于粗糙集理論的數(shù)據(jù)挖掘方法研究姓名：叢丹申請學(xué)位級別：碩士專業(yè)：模式識別與智能系統(tǒng)指導(dǎo)教師：王俊普20030501摘要本文遙過在褪糙集懿倍惠表示翁蘩醚上，由鼗糙集蕊代數(shù)表示窩信息表示瓣～致性，旋出了一種基于信息量的糯糙集屬性約簡算法，該冀法的基本愚想蹙通過屬性塑髏性的發(fā)量求出粗糙集的核，然后在核的基礎(chǔ)上，繼矮依據(jù)屬性重疆性魏度量，隧約籬鵓信息鱉裙愿莛性焱舍懿蕊憊量棚等這一準(zhǔn)劉柬逐芎j二鬢牲約麓，算法籬犖，效率離。通過研究傳統(tǒng)數(shù)據(jù)挖掘方法的知識評估標(biāo)準(zhǔn)綴小支持度葶口娥小囂信艘，發(fā)現(xiàn)有些知識可能被忽略，提出新增的知識評估標(biāo)準(zhǔn)——支持度最小膨脹艘和支持度楚，{
2、、頸{ll{
3、臻，穩(wěn)溪這舔令王l}麴魏知識譯估標(biāo)灌，練合爨毒支蔣凌窩最小置信發(fā)柩準(zhǔn)，對數(shù)據(jù)庫述行分部挖掘，可以褥出更加深屢次的有趣的知識。并舉例澆磷了這一對新增標(biāo)準(zhǔn)的可行性。傳絞數(shù)鍵籠攘方法一般是以寥務(wù)數(shù)據(jù)露憊直接靜挖掇對象，這裁遮藏了必矮在挖掘過穗中對于寵大的事務(wù)鼗舔瘁送行多次翁掃箍來提取甄黿鞋，效率比較低。數(shù)據(jù)挖掇怒為了完成知瀕挖掘這?任務(wù)，知識是～耪頻繁出現(xiàn)黝屬性焚合，它實(shí)際上是一種頻繁出現(xiàn)的屬性的關(guān)聯(lián)。在此基礎(chǔ)上，本文提出了～種伴隨2．頻繁集贅鼗搖存豫縫穆，揮雋事務(wù)數(shù)據(jù)瘁鶼醛jii；。存入囂孛靛是事務(wù)數(shù)據(jù)庫中頻繁出瑗(超過一種比最小支持艘小的支持艘滾僮的一靜度鲞標(biāo)準(zhǔn))2元關(guān)系
4、酶集合。將數(shù)據(jù)挖掘建立在伴隨2“頻繁集數(shù)據(jù)的基礎(chǔ)上，懸?H軍十很好的想法。由于伴隨2．頻繁集數(shù)糍庫本癆是一罩串超出一個確定潤篷的2．元璃毪集會，這群，攫多對予挖菰無蔫豹數(shù)據(jù)將不菠考懋，兩顯它本雋是對事務(wù)數(shù)獾摶一種泛純，數(shù)羹鄉(xiāng)。以伴隨2一頻繁蕊數(shù)據(jù)庫干挈為數(shù)據(jù)挖掘瞧對象，可阻避免對于事務(wù)數(shù)攪庫的頻繁掃描，很大程度上提高了挖掘的效率。本文聚螽～幫分綴會以上三個方疆：疆饞夔2．頻繁集為數(shù)攢挖撼對象，別矮基予信息爨瓣糯麓集凰注約籬算法，懿鼴標(biāo)準(zhǔn)加上新增翡知識評估標(biāo)準(zhǔn)速行知識挖掘。這種數(shù)據(jù)挖掘方法和結(jié)構(gòu)，餓得算法簡單，挖掘效率商，挖掘的知識中除了傳統(tǒng)的數(shù)提挖掘方法中珂}丑褥到的那部分之外，包含
5、蓑一些更加有趣的信息。霆藍(lán)吳煮綴嵩弱實(shí)際瘟鼷徐篷。除此之外，本文還提出了一種黼散的關(guān)聯(lián)規(guī)則的挖掘算法。關(guān)鍵詞數(shù)據(jù)挖掘；最小支持度；鬣小置信度；糧糙集；信息鬟；屬性的重甏矬：伴隨2。頻繁黧：最小澎漲度；最小預(yù)測馕AbstractBasedonthecoherenceofinformationexpressandalgebraicexpressofRoughset，thispaperpresentsakindofattributereductionalgorithmwithroughsetbasedoninformationquantlty．7themainideaofthisalgor
6、ithmistofindtheCoreofattributesetaccordingtotheimportanceofattributes，thentoreduceattributesaccordingtothemeasurementoftheimportanceofattributes，andtheinformationquantityofreductionmustbeequaltooriginattributeset．Thisalgorithmisveryeasy,andcanattainhighefficiency．Undertheevaluationstandards(min
7、imumsupportandminimumconfidence)oftraditionalDMmethods，someknowledgewillbeignored．Thisthesispresentsasetofnewknowledgeevaluationstandards(minimumexpandabilityandminimumforecast)．Byusingthispairofappendedevaluationstandards，minimumsupportandminimumconfidence，tominethedatabasepartafterpart,wecang
8、etmoreinterestingknowledgeindeeplayer．TraditionalDMmethods，generally,usedatabasedirectly,andscanthedatabasemanytimesduringDM．Theefficiencyisverylow．ThepurposeofDMistofindknowledgebeinghidedindatabase，andknowledgeisa蛾ofsomeattribut
