文件关联修复，打开exe变成了打开txt修复

关联规则在化妆品销售分析中的应用，陆召连，，首先对关联规则和核心算法Apriori进行了描述，然后通过研究某公司的销售数据的关联度，展示了Apriori算法在商品关联性分析中的具体运�

阐述了关联规则算法的基本原理，并利用事务数据库中的销售数据和SQL Server 2008 Data Mining Add-Ins for Microsoft office 2007工具挖掘顾客购买的商品之间各种有趣联系，帮助商家制定营销策略，最终向每个顾客提供一组正确的推荐信息，从而改善客户的购物体验，增加总的销售额。

目前大多数数据挖掘方法是从单关系中发现模式，而多关系数据挖掘（MRDM）则可直接从关系数据库的多表中抽取有效模式。MRDM可以解决原有命题数据挖掘方法不能解决的问题，它不仅有更强的信息表示能力，可以表示和发现更复杂的模式，还可以在挖掘进程中有效地利用背景知识来提高挖掘效率和准确率。近年来，借鉴归纳逻辑程序设计（ILP）技术，已经形成许多多关系数据挖掘方法，如关系关联规则挖掘方法、关系分类聚类方法等。

生活中有很多需要用到关联图的地方，至少我认为的是这样的图：https://www.echartsjs.com/examples/zh/editor.html?c=graph-npm 我是在使用Word2Vec计算关联词的余弦距离之后，想要更好的展示出来的时候，遇到的这种情况，就做了下拓展。 画图的步骤主要分为： 1. 将距离数据（或者相关数据）读入； 2. 按照一定的格式和参数将数据保存为json字符串； 3. 根据json串，绘制关联图。 具体而言，主要是： . 首先有一批数据，如图所示： . 导入所需要的包 import json import pandas as pd

在C#下实现MAC层以太网收发功能，互联网上多使用sharppcap，但这个库在win10下用不了（win7正常），至少在我电脑上不行，找了好久，发现了pcapdotnet，和sharppcap差不多，但能支持win10，而且功能还要更强大些，给出了完整开发包和帮助文档，供有需要的使用

用Python实现了FP-Growth频繁模式挖掘，文件中包含完整程序和测试数据。之前我还以为代码量相对较大，最后写完了发现只有一百多行，所以理解起来也相对容易

使用约束的必要性 在数据挖掘中常使用的几种约束： 知识类型约束：指定要挖掘的知识类型 如关联规则 数据约束： 指定与任务相关的数据集 Find product pairs sold together in Vancouver in Dec.’98. 维/层次约束:指定所用的维或概念结构中的层 in relevance to region, price, brand, customer category. 规则约束：指定要挖掘的规则形式(如规则模板) 单价 (price $200). 兴趣度约束：指定规则兴趣度阈值或统计度量 如 (min_support ? 3%, min_confidence ? 60%).

什么是频繁模式分析？ 频繁模式是频繁的出现在数据集中的模式 如项集、子序或者子结构 动机：发现数据中蕴含的内在规律 那些产品经常被一起购买？---啤酒和尿布？ 买了PC之后接着都会买些什么？ 哪种DNA对这种新药敏感 我们能够自动的分类WEB文档吗？ 应用 购物篮分析、WEB日志（点击流）分析、捆绑销售、DNA序列分析等 频繁模式挖掘的重要性 揭示数据集的内在的、重要的特性 作为很多重要数据挖掘任务的基础 关联、相关和因果分析 序列、结构（e.g.子图）模式分析 时空、多媒体、时序和流数据中的模式分析 分类：关联分类 聚类分析：基于频繁模式的聚类 数据仓库：冰山方体计算

煤层瓦斯含量是矿井瓦斯灾害防治的主要参数之一,影响其分布特征的地质因素有很多。利用灰色理论的灰色关联分析法对选取的8个影响煤层瓦斯含量的地质因素进行了分析,筛选出断距、埋深、基岩厚度以及挥发分4个主要影响因素,并将其作为BP神经网络模型的输入端建立了煤层瓦斯含量预测模型。对该预测模型进行训练与仿真检验,并与传统的多元线性回归预测方法进行比较分析。