动态网络社团挖掘算法研究（可编辑）.doc

基于频繁项集筛选策略的关联规则挖掘算法，佘名高，陈礼军，在FP增长算法(FP-growth)和划分(Partition)算法的基础上提出了一种基于频繁项集筛选策略的关联规则挖掘的改进算法。提高了FP-growth算法的可

【word】 数据挖掘中聚类算法的比较研究.docx

常用数据挖掘算法总结及Python实现 第一部分 数据挖掘与机器学习数学基础 第二部分 机器学习概述 第三部分 监督学习---分类与回归 第四部分 非监督学习---聚类与关联分析 第五部分 Python 数据预处理

大数据-算法-隐私保护关联规则挖掘算法的研究.pdf

关联规则挖掘算法apriori算法的实现

孤立点检测算法-数据挖掘.doc

大数据-算法-负关联规则挖掘算法研究.pdf

针对FP-growth算法时空效率低的问题,提出了改进的FP-tree构造算法。该算法利用动态结点插入技术构造FP-tree,能有效减小模式树的宽度,达到压缩空间的目的;同时,该算法提高了前缀路径的共享性,提高了算法的效率。针对密集型数据的频繁模式完全集难以挖掘的问题,文中提出了IFPmax最大频繁模式挖掘算法,在改进的IFP-tree结构的基础上,利用结点的秩进行预判断,充分利用最大频繁模式的性质对已经存在的结点进行标记,有效避免了节点的冗余遍历,提高了最大频繁模式挖掘算法的效率。实验表明,在不同的基准数据集上文中提出的算法更有效,避免了节点的冗余遍历,使最大频繁模式挖掘算法效率更高。

数据挖掘十大算法的学习资料。机器学习中，决策树是一个预测模型；它代表的是对象属性值与对象值之间的一种映射关系。树中每个节点表示某个对象，每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应具有上述属性值的子对象。决策树仅有单一输出；若需要多个输出，可以建立独立的决策树以处理不同输出。 从数据产生决策树的机器学习技术叫做决策树学习, 通俗说就是决策树。 决策树学习也是数据挖掘中一个普通的方法。在这里，每个决策树都表述了一种树型结构，它由它的分支来对该类型的对象依靠属性进行分类。每个决策树可以依靠对源数据库的分割进行数据测试。这个过程可以递归式的对树进行修剪。当不能再进行分割或一个单独的类可以被应用于某一分支时，递归过程就完成了。另外，随机森林分类器将许多决策树结合起来以提升分类的正确率。 决策树同时也可以依靠计算条件概率来构造。决策树如果依靠数学的计算方法可以取得更加理想的效果。