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。