数据仓库大作业--频繁模式挖掘
目录
数据仓库大作业--频繁模式挖掘
1. 实验综述
本报告主要包括以下部分：
3. 探索了多个支持度值的应用可能。
2. 实验原理
2.1 Apriori算法原理
2.2 Apriori算法性能
3. 实验环境搭建及运行
3.1 Gutenburg数据集的模式挖掘
数据集筛选：
3.2 DBLP数据集
数据集筛选：
4. 实验结论 -- GutenBerg -- 林肯演讲集：挖掘常用词共同出现
4.1 Sentence模式：以句子作为Basket进行挖掘
4.1.1 数据集的筛选及关联规则的定义
4.1.2 最小支持度的选取理论
4.1.3 最小置信度的选取理论
4.1.4 挖掘结果
实验结论：
4.2 推广！Paragraph模式：以段落作为Basket进行挖掘
4.2.1 最小支持度和最小置信度的选取
4.2.2 挖掘结果及与Sentence模式的对比
实验结论：
4.3 推广！选取多个最小支持度
4.3.1 问题引入
4.3.2 置信度的分布问题
4.3.3 挖掘结果
5. 实验结论 -- DBLP -- 论文团队与主题
5.1 问题描述及数据集选取
5.2 任务1 -- 寻找活跃支持者
挖掘结果：
5.3 任务2 -- 寻找团队
设定最小支持度为3。
5.4 任务3 -主题与团队
6. 算法性能分析
6.1 针对Sentence模式的时间复杂度实证研究
6.2 效率改进--多支持度
7. 试验总结
本报告的核心亮点：
3. 探索了多个支持度值的应用可能。
1. 实验综述
关联分析常常用于从大规模数据库中寻找元素的隐含关系，是数据仓库中数据挖掘的最常用的方法。本实验旨在实 现基本的数据挖掘算法（Apriori算法），选取部分数据集数据进行挖掘。在探寻数据隐含关系的同时，试图评估数 据挖掘算法的性能和特性。
本报告主要包括以下部分：
1. 实验原理（包括算法详细描述、算法特点等）
2. 实验环境搭建（数据集的选取、挖掘的问题、编程环境简述）
3. 实验发现
4. 算法性能分析
本报告的核心亮点：
1. 实现了Apriori算法，并对算法效率进行了实证性研究，应用了潜在解决方案。
2. 进行了多粒度的数据挖掘（选取了句子和段落作为两种篮子，并比较二者区别）。
3. 探索了多个支持度值的应用可能。
4. 进行了多数据集的应用（GutenBerg &&DBLP），对每个数据集进行了多个问题多个角度的研究探讨。
