基于关联的自适应分类规则挖掘模型的研究

摘要

该文提出了一个基于关联的自适应分类规则挖掘模型,主要研究和探讨了该模型在预处理、多层分类规则的挖掘、算法的可扩展性、效率和输入参数的自适应等方面的思想、技术和方法.在一般的基于关联的分类方法中,都是利用标准关联规则挖掘算法(如Apriori算法)挖掘出有关的关联规则,该文提出了利用不需要产生候选集的频繁集挖掘算法FP-Growth算法来产生频繁集,大大降低了时间和空间复杂度.同时对该算法进行了改造,使其能适应关联分类规则的挖掘,通过决策属性中属性值的最大支持度max_sup及时消除无前途的搜索路径，减少了冗余频繁集的产生，提高了挖掘的有效性.另外，使输入参数能自适应进行调整，降低了用户输入技术参数的难度，提高了整个模型对分类规则挖掘的鲁棒性、准确性、效率和可扩展性.最后对输出规则进行冗余性分析，删除冗余的输出规则，使输出规则能更加满足用户需要并更具有科学性.

目录

文摘

英文文摘

创新性声明及关于论文使用授权的说明

第一章绪论

1.1引言

1.2数据挖掘在CRM中的核心作用

1.3数据挖掘的研究现状和应用领域

1.4本文研究的问题和研究方法概述

第二章数据挖掘及应用的基础知识

2.1数据挖掘的概念

2.2数据挖掘的过程及方法

2.3分类规则的挖掘

2.4本章小结

第三章基于关联的自适应分类规则发现模型——ABAMCR

3.1目前较著名分类方法的优缺点

3.2典型的分类规则挖掘模型及存在的问题

3.3基于关联的自适应分类规则挖掘模型

3.4 ABAMCR模型的特点

3.5基于关联的自适应分类规则挖掘模型的流程

3.6本章小结

第四章ABAMCR模型的数据预处理

4.1数据预处理的必要性

4.2数据清洗

4.3数据消减

4.4基于粗糙集的维数消减

4.5基于聚类技术的数据块消减

4.6基于概念层次树的数据泛化

4.7本章小结

第五章ABAMCR模型的分类规则挖掘

5.1基于关联的分类规则挖掘方法

5.2频繁集产生算法FP-growth

5.3类别关联规则集合CARs的生成

5.4对类别关联规则集合CARs构造分类器

5.5模型分类准确率的估计

5.6模型系统在CRM中的应用

5.7本章小结

第六章ABAMCR模型的评价和总结

6.1 ABAMCR模型的评价

6.2总结与展望

致谢

参考文献

攻读硕士学位期间的研究成果