基于改进Apriori算法的高校课程预警规则库构建

在如何构建完善的课程预警规则库是高校成绩预警研究中的一个重点问题, 本文对高校学生成绩进行清洗、离散化后, 利用Apriori算法挖掘不及格课程之间的相关关联, 构建基础预警规则库, 在此基础上进一步挖掘"及格", "良好"等级课程对其他课程的影响, 从而进一步扩充预警规则库. 针对大量冗余规则的情况, 在传统的支持度-置信度框架下利用提升度、兴趣度等方法筛选出强关联规则, 提高规则库的准确度, 并对挖掘出的规则进行了针对性的分析, 研究方法和结论可为教学管理提供决策支持.     

Apriori算法的改进与应用

针对数据挖掘中关联规则中Apriori算法会产生庞大的候选项集和对数据库的扫描时计算机会承担较大的I/O开销等问题,提出了一种改进方法。该方法通过对候选项集的先验剪枝和对数据库各项集进行监视优化,从而动态减少扫描项集数目,使每次扫描数据库都是精简高效的。实验证明了改进算法能有效提高挖掘速率。     

一种改进的Apriori算法

数据挖掘中的关联规则挖掘能够发现大量数据中项集之间有趣的关联或相关联系,特别是随着大量数据不停地收集和存储,从数据库中挖掘关联规则就越来越有其必要性。通过对关联规则挖掘技术及其相关算法Apriori进行分析,发现该技术存在的问题。Apriori算法是关联规则挖掘中的经典算法。对Apriori算法做了改进。借助0—1矩阵给出了计算项集的支持度计数的更快方法,同时还简化了Apriori算法中的连接和剪枝操作,从而在时间和空间上提高了Apriori算法的效率。     

一种Apriori算法的改进

Apriori算法在处理关联规则分析时,当数据立方体数据稠密时,实现迭代性质将需要非常复杂的数据结构。针对上述问题,本文提出了一种改进的Apriori-ni算法,该算法没有用迭代性质来剪枝,即不基于迭代属性的算法。对Apriori算法和Apriori-ni算法进行了分析和比较,实验结果表明,当项目集很多时,Apriori-ni算法能节约计算开销,从而提高算法的效率。     

改进Apriori算法在医院监护中心的研究与应用

为了提高对医院监护中心历史数据的管理水平,为监护人员提供有力的决策支持,提出了一种针对该系统的改进Apriori算法。该算法引入了属性值度的概念,减少了找出频繁项集所需要的时间,也减少了扫描数据库的次数。为了验证改进Apriori算法的正确性、有效性和快速性,文中将改进的Apriori算法与传统的Apriori算法分别应用到医院监护中心系统中去,并对两种算法的效率进行了比较。结果表明,改进Apriori算法能够得到所需要的强关联规则,并在效率上有显著的提高,为监护人员更好控制患者的病情提供了很好的决策支持。     

基于关联规则数据挖掘Apriori算法的研究与应用

目前在我国,对数据挖掘技术的研究与应用并不是很广泛.大多数数据库只能实现数据的录入、查询、统计等较低层次的功能,无法发现数据中存在的各种有用的信息.基于关联规则的数据挖掘主要用于发现数据集中项目之间的联系.以超市购物为例,目的在于找出顾客所购买商品之间的内在关联.利用Apriori算法的先验原理,减少Apriori算法在搜索频繁项目集时对候选式的搜索次数,并在对顾客购买的商品模型进行抽象的基础上,利用vc++与access数据库实现的算法系统,对所购买的商品之间的内在关联进行模拟分析.根据得到的数据分析出置信度较高的几种商品,通过对这些商品集中摆放,可以提高收益,从而证明改进的Apriori的实用性.     

关联规则之Apriori算法的改进

关联规则是数据挖掘的重要研究内容。Apriori算法是关联规则之经典算法。本文在分析经典Apriori算法的基础上．提出了改进型的Apriori算法。新算法采用事务压缩技术,提高了数据挖掘的效率,具有一定的实用性。     

Apriori算法的改进

介绍关联规则挖掘的情况,在分析关联规则挖掘算法的基础上,通过对经典Apriori算法的改进,提出一种改进算法,该算法在计算候选大项集支持度所涉及的记录数目将小于事务数据库中原始的记录数目,实验证明该算法能够有效提高执行效率。     

浅论Apriori算法的改进

本文介绍了关联规则挖掘的基本概念．分析了经典的Apriori算法．提出一种改进的关联规则挖掘算法．解决了挖掘课程相关性关联规则的问题。改进算法的基本思想：①采用位图数据格式：②系统中会永久保留支持度为0的候选1项集和候选2项集．当系统需要运行时．首先采用数据库的过滤技术．可以很快得到频繁2项集。突破了这一瓶颈．系统运行速度将得到较大的提升。将设算法应用于课程相关性分析。实验结果表明改进的算法性能优于Apriori算法。     

基于数组向量的Apriori算法改进

在分析Apdori算法的基础上,提出一种改进Apriori的算法,其主要思想是基于数组向量的数据布局,即根据每个事务不同的项目长度,分别存储在相应列长度的二维数组中,同时合并项目完全相同的事务,并记录事务的数目.新的算法改进了连接比较的次数、减少不必要事务的扫描和提高了算法对内存空间的利用效率.应用示例表明,该算法时间复杂度降低;实验结果显示算法是有效可行的.     

基于二进制编码的Apriori增量更新算法研究

针对经典Apriori算法在迭代过程中频繁扫描数据库,且动态数据更新后需要重新处理数据的不足,提出一种基于二进制编码的增量更新改进CBEF-Apriori算法。该算法的核心思想是将添加增量后的项集、事务转换成二进制编码,从而将计算项集支持度转化为项集与事务数据库的二进制编码位运算过程。改进算法筛选原数据库生成的频繁项集与增量数据库新生成的候选项集,有效减少了候选项集的规模,提高算法效率的同时更符合现实需要。实验结果表明,相比于经典Apriori算法和CBE-Apriori算法,改进算法在挖掘出正确频繁项集的数量不降低的情况下,明显提升了计算效率,在小数据规模下相比经典Apriori算法最高提升3.6倍,相比CBE-Apriori算法最高提升1.4倍。在较大数据规模下相比经典Apriori算法最高提升10.41倍,相比CBE-Apriori算法最高提升11.53倍。     

基于改进Apriori算法的关联规则挖掘研究

关联规则挖掘研究是数据挖掘研究的一项重要的内容。经典的关联规则提取算法———Apriori算法及其改进算法存在着一些不足,一是会产生大量的候选项目集,二是在扫描数据库时需要很大的I/O负载。通过对关联规则产生过程的实际实验分析发现,可以采取利用频繁k-1项集Lk-1对候选k项集Ck进行预先剪枝、及在扫描数据库过程中忽略对频繁项集的产生无贡献的交易记录的方法来改进关联规则提取的效率。     

基于矩阵约简的Apriori算法改进

 Apriori算法在搜索频繁项集过程中,通常需要对数据库进行多次的重复扫描和产生大量无用的候选集,针对此问题提出一种基于矩阵约简的Apriori改进算法。该算法只需扫描一次数据库,将数据库信息转换成布尔矩阵,根据频繁k-项集的性质推出的结论来约简数据结构,有效地降低无效候选项集的生成规模。通过对已有算法的对比,验证该算法能有效地提高挖掘频繁项集的效     

基于十字链表的Apriori改进算法

针对Apriori算法中存在的不足,提出一种把事务数据库映射到十字链表中的改进算法。该算法可以减少连接数据库的次数及事务记录的扫描次数。Apriori算法与改进算法的性能对比分析表明,改进算法能有效提高执行效率。     

Apriori算法在学生成绩管理中的应用

介绍了关联规则的基本概念及Apriori算法,提出了成绩预警模型,并利用Apriori算法进行了求解。所得到不及格课程之间的关联规则,可以为教师的教学管理及学生学习提供一定的指导和参考。     

关联规则在超市购物系统中的应用

互联网技术在带给我们一个信息爆炸时代的同时,也极大地增加了从浩瀚数据堆里寻找有用知识的困难程度。面对不断拓展的数据规模,对海量信息的搜索、管理以及实时处理能力将面临严峻的挑战。文章主要介绍基于Apriori算法关联规则的具体应用。     

一种改进的Apriori关联规则挖掘算法（英文）

关联规则挖掘是数据挖掘中的一个重要研究内容.为了高效、快速地从事务数据库中挖掘出频繁项集,针对数据挖掘的经典关联规则Apriori算法的瓶颈问题提出了改进的方法.算法将事物数据库映射到布尔型数组中,然后所有的操作都针对数组元素值展开.这样大大减少了数据库的扫描次数.算法利用数组的随机访问特性及布尔型数据的简单"与"操作,直接产生频繁项集,而不产生大量的候选项集.经理论分析和实验结果显示该算法在效率上明显优于Apriori 算法.     

对挖掘关联规则中的Apriori算法的一种改进

对挖掘关联规则的Apriori算法关键思想以及性能进行了研究,给出该算法的一个改进算法,该改进算法提高了原算法的性能,并从实验中得出相关结果.