OLAP 多维数据分析 数据库实例 SQLServer 2008 版本mdf 文件

从Foodmart的数据集中抽取其1997年和1998年的购物篮数据，其中sale1997.txt为1997年购物篮数据，sale1998.txt为1998年购物篮数据，productList.txt为产品列表

适用于关联规则挖掘的数据： basket.arff basket.txt nomalBaskey.arff retail.arff retail.txt

清华大学出品的数据挖掘&机器学习课件，非常适合大学生和职场新手新手，也适合老鸟复习回顾，完全可用于自学入门，很经典好用的PPT课件哦~ 第1章 数据挖掘概念介绍.pptx 第2章 分类 Bayes贝叶斯 SVM支持向量机分类算法.pptx 第3章 聚类算法介绍.pptx 第4章 关联规则 Apriori FP-Growth算法.pptx 第5章 综合实战：日志的挖掘与应用.pptx 第6章 数据挖掘应用案例 电力分析 银行信贷 指数预测 客户分群营销 房屋估价.pptx 第1章 数据挖掘概念介绍.pptx 第2章 分类 Bayes贝叶斯 SVM支持向量机分类算法.pptx 第3章 聚类算法介绍.pptx 第4章 关联规则 Apriori FP-Growth算法.pptx 第5章 综合实战：日志的挖掘与应用.pptx 第6章 数据挖掘应用案例 电力分析 银行信贷 指数预测 客户分群营销 房屋估价.pptx

数据挖掘实验，matlab代码，全部是我自己写的。 详见我的这篇文章：https://blog.csdn.net/ljw_study_in_CSDN/article/details/110139596

可以直接运行，有示例数据，源代码有详细的注释，很容易读懂。很好的数据挖掘中的推荐系统中的FPTree实现的源代码。

数据挖掘Apriori算法参考论文几十篇，知网、万方下载打包共享 有以下几方面内容： Apriori算法并行处理、Apriori算法增量更新、Apriori算法最小支持度和最小置信度阈值设置调优。 基于Spark的并行频繁模式挖掘算法 基于布尔矩阵约简的Apriori算法改进研究 基于改进Apriori算法的仓库货物关联度分析_赵峰 基于改进权重增量Apriori算法的产品推荐方法_王昕妍 基于可决系数的自适应关联规则挖掘算法_王雪平 基于支持度与置信度阈值优化技术的关联分类算法 适合在线式增量更新的关联规则挖掘算法 一种多最小支持度加权关联规则挖掘算法_张争龙 一种改进的增量数据挖掘算法_胡开明 一种改进的并行关联规则增量更新算法研究 一种关联规则挖掘最小支持度调优算法_陈波 支持度和置信度自适应的关联规则挖掘_林甲祥 最小支持度为区间值的加权Apriori算法

迄今为止，关于犯罪预测的研究还很少。 在这项研究中，根据个人标签数据以及城市S中罪犯和普通百姓的旅行和住宿数据，将与城市S有关的犯罪数据分为1：1的训练数据集和验证数据集。首先，采用FP-增长算法来计算犯罪分子和普通民众在其旅行和旅馆住宿数据中的关联规则，以便根据关联规则发现犯罪嫌疑人。 其次，采用DBSCAN算法对罪犯和普通人的标签数据进行聚类，然后进行相似度计算，以基于标签聚类发现犯罪嫌疑人。 最后，对上述两组犯罪嫌疑人进行交叉路口操作，并根据犯罪验证集对产生的交叉路口进行验证，以消除出现在交叉路口的犯罪分子，从而获得最终的犯罪嫌疑人。 结果表明，根据FP增长算法计算的关联规则，检索到648名犯罪嫌疑人，而根据DBSCAN聚类和个人标签的余弦相似度，检索到973名犯罪嫌疑人。 两组相交后，犯罪嫌疑人的数量缩小到567名，使用验证集进一步验证了567名犯罪嫌疑人中的419名是罪犯，从而使其他148名成为最终犯罪嫌疑人并给出了预测准确性为73.9％。 本研究基于关联规则和标签聚类的犯罪嫌疑人数据挖掘方法已成功应用于城市S的警务系统，实验证明了该方法在侦查犯罪嫌疑人中的有效性。

来自的关联规则挖掘犯罪分析的空间数据 抽象 该项目的目的是检查与美利坚合众国北卡罗来纳州夏洛特市一年内犯罪的空间分布有关的数据。 从大约60,000起犯罪中收集了数据，以及地区人口普查数据和有关商业活动的信息。 因此，我们打算将算法应用于发现变量之间的关联规则，以便寻找可用信息之间的关联。 应用知识发现过程并将过滤器应用于规则，从而仅选择具有犯罪类型的规则，因为它们与规则的相关性更高，因为它们显示出在规则的先决条件出现时，各种类型的犯罪更有可能表现出来。 酒类场所 罪案 建立 我建议使用设置虚拟环境 使用python 2.7创建环境： conda create --name crime_

首先导入包含apriori算法的mlxtend库， pip install mlxtend 调用apriori进行关联规则分析，具体代码如下，其中数据集选取本博客 “机器学习算法——关联规则” 中的例子，可进行参考，设置最小支持度（min_support）为0.4，最小置信度（min_threshold）为0.1， 最小提升度（lift）为1.0，对数据集进行关联规则分析， from mlxtend.preprocessing import TransactionEncoder from mlxtend.frequent_patterns import apriori from mlxte