数据挖掘 多维关联规则

关联规则挖掘帮助我们找出大数据集中的关联关系。

在多维关联中，

• 多维关联规则由多个方面组成

• 数值属性应进行离散化处理。

• 属性可以是未减轻或定量的。

• 定量特征是数值的，并具有等级顺序。

挖掘多维关联规则的三种方法是−

使用定性属性的静态离散化

离散化在挖掘之前进行，并且是静态的。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的k-频繁谓词集（需要k 或k+1个表扫描）。频繁谓词集的每个子集应连续。数据立方体最适合挖掘，因为它们有助于加快挖掘速度。谓词单元格与n维数据立方体的单元格相关联。

例子 − 在一个数据立方体中，3D立方体（id，name，class）是频繁的，那么它表明（id，name），（name，class），（id，class）也是频繁的。

使用定性属性的动态离散化

也称为挖掘定量关联规则，数值属性是动态离散化的。

例子

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

输出

在这里，属性被分为若干个区间，并基于数据分布进行分类。这些区间可以进一步合并进行分析，因此具有离散化的动态性。

元组的网格

基于聚类的距离离散化

这是一个考虑感兴趣数据之间距离的动态离散化过程。

挖掘过程包括两个步骤：

• 通过执行聚类找到所涉及属性的间隔。

• 通过搜索一起出现的聚类组来获取关联规则。

  注意 −关联规则中的前提和结果部分的聚类强相关并一起出现。

结论

本文介绍了使用多维关联规则进行数据挖掘，帮助找到数据集之间的关系，然后通过不同的方法（离散化）来执行挖掘。第一种方法是使用静态离散化，该方法使用apriori算法定位谓词集合。第二种是动态离散化，用于对数字属性进行动态分割。第三种是基于距离的离散化，用于测量数据点之间的距离。