【讀書筆記-數據挖掘概念與技術】高級模式挖掘
模式挖掘是一個比頻繁挖掘模式更一般的術語，因為前者還涵蓋了稀有模式和負模式。然而，在沒有歧義時，兩者可以互換地使用。
模式挖掘路線圖
分類
- 基本模式
- 基於模式所涉及的抽象層
- 基於規則或模式所涉及的維數
- 基於規則或模式中所處理的值類型
- 基於挖掘選擇性模式的約束或標准
- 基於所挖掘的數據類型和特征
多層、多維空間中的模式挖掘
- 挖掘多層關聯規則
對於所有層使用一致的最小支持度——一致支持度在較低層使用遞減的最小支持度——遞減支持度使用基於項或基於分組的最小支持度——基於分組的支持度
- 挖掘多維關聯規則
使用量化屬性的靜態離散化挖掘多維關聯規則
- 挖掘量化關聯規則
1.數據立方體方法2.基於聚類的方法3.解釋異常行為的統計學方法
- 挖掘稀有模式和負模式
基於約束的頻繁模式挖掘
- 元規則制導的挖掘
- 基於約束的模式產生：模式空間剪枝和數據空間剪枝
1.用模式剪枝約束對模式空間剪枝模式剪枝約束分為五類：
反單調的：如果一個項集不滿足規則約束，則它的任何超集不可能滿足該約束
單調的：如果一個項集滿足這個規則約束，則它的所有超集也滿足。
簡潔的：可以枚舉並且僅枚舉可以確保該約束的所有集合，該類約束不必迭代檢驗
可轉變的：不屬於以上三類，但該約束在項集一特定次序排列時可能成為單調的或反單調的。
不可轉變的：大部分都屬於以上四類。
2.用數據剪枝約束對數據空間剪枝
挖掘高維數據和巨型模式
模式融合基本思想：融合少量較短的頻繁模式，形成巨型模式候選。首先，他以有限的寬度遍歷樹，只使用有限大小的候選池中的模式作為模式樹向下搜索的開始結點，避免了指數搜索空間問題。它產生巨型模式的近似解，可以找出大部分巨型模式。
步驟：1. 池初始化：一個短長度（長度不超過3）頻繁模式的完全集。
2. 迭代的模式融合：從當前池中隨機選取k個種子，對每個種子找出直徑為T的球內所有模式，將這些球融合成超模式集。由於每個超模式的支集隨迭代而收縮，因此迭代過程終止。
模式融合合並打魔石的小的子模式，而不是用單個項增量地擴展模式。
核模式
挖掘壓縮或近似模式
基於聚類的壓縮：采用一個好的相似性度量，把相似的對象聚合到一個簇中，代表模式從每個簇中選取，從而提供頻繁模式集的一個壓縮版本。
模式距離：閉模式之間的距離度量。包含模式的支持度信息。
感知冗余的top-k模式：具有低冗余的k個代表模式的小集合。一種減少挖掘返回的模式數量的策略。
閉模式：頻繁模式集的無損壓縮 極大模式：有損壓縮模式挖掘的應用
1). 作為預處理，用於噪聲過濾盒數據清理
2). 發現隱藏在數據中的固有結構和簇
3). 基於模式的分類
4). 高維空間中子空間的有效聚類
5). 對時間空間、序列、圖像、視頻數據進行分析
6). 序列與結構數據的分析，如圖、樹、子序列和網絡分析
7). 作為基本的索引結構
8). 推薦系統
注意！
本站转载的文章为个人学习借鉴使用，本站对版权不负任何法律责任。如果侵犯了您的隐私权益，请联系我们删除。