您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. Apriori算法代码实现

  2. 数据挖掘关联规则的挖掘 Apriori的c代码实现,分享给大家
  3. 所属分类:C

    • 发布日期:2009-05-08
    • 文件大小:6144
    • 提供者:qiansomeone
  1. 数据挖掘--概念与技术

  2. 目录 第一章 引言 ......................................................................................................................................................... 8 1.1 什么激发数据挖掘?为什么它是重要的?.............................................................
  3. 所属分类:Web开发

    • 发布日期:2010-09-06
    • 文件大小:1048576
    • 提供者:huanghyw
  1. Data Mining Practical Machine Learning Tools And Techniques

  2. 成功数据挖掘技术的核心算法,包括历经考验的真实技术及前沿的方法。 转换输入或输出以改善性能的方法。 可下载的weka软件——一个用于数据挖掘任务的机器学习算法的集合,包括用于数据预处理、分类、回归、聚类、关联规则以及在新的交互式界面上可视化的工具
  3. 所属分类:其它

    • 发布日期:2010-10-17
    • 文件大小:7340032
    • 提供者:victor0127
  1. 数据挖掘原理与算法(data mining)

  2. 《数据挖掘原理与算法》是一本全面介绍数据挖掘和知识发现技术的专业书籍,它系统地阐述了数据挖掘和知识发现技术的产生、发展、应用以及相关概念、原理和算法,对数据挖掘中的主要技术分支,包括关联规则、分类、聚类、序列、空间以及Web挖掘等进行了理论剖析和算法描述。
  3. 所属分类:其它

    • 发布日期:2011-03-03
    • 文件大小:10485760
    • 提供者:iloveyoumw
  1. Apriori算法_数据挖掘技术的研究

  2. Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。核心是基于两阶段频集思想的递推算法。该算法的基本思想是:首先找出所有的频集,这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则,这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则,产生只包含集合的项的所有规则,其中每一条规则的右部只有一项,这里采用的是中规则的定义。一旦这些规则被生成,那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集,使用了递推的方法。可能
  3. 所属分类:C#

    • 发布日期:2012-02-14
    • 文件大小:18432
    • 提供者:lhy2199
  1. Fast Algorithms for Mining Association Rules

  2. 论文主要针对关联规则挖掘,提出了两个新方法,用于加速Apriori算法,产生了AprioriHybrid算法
  3. 所属分类:其它

    • 发布日期:2012-04-15
    • 文件大小:288768
    • 提供者:logic892
  1. Web Data Mining (Web 数据挖掘)--刘冰

  2. Web Data Mining (Web 数据挖掘)--刘冰 本书旨在阐述web数据挖掘的概念及其核心算法,使读者获得相对完整的关于web数据挖掘的算法和技术知识。本书不仅介绍了搜索、页面爬取和资源探索以及链接分析等传统的Web挖掘主题,而且还介绍了结构化数据的抽取、信息整合、观点挖掘和Web使用挖掘等内容,这些内容在已有书籍中没有提及过,但它们在Web数据挖掘中却占有非常重要的地位。全书分为两大部分:第一部分包括第2章到第5章,介绍数据挖掘的基础;第二部分包括第6章到第12章,介绍Web相关
  3. 所属分类:其它

    • 发布日期:2013-06-18
    • 文件大小:3145728
    • 提供者:xu_tian
  1. 基于改进的遗传算法的关联规则挖掘

  2. 论文 基于改进的遗传算法的关联规则挖掘 数据挖掘(Data Mining)是一门交叉学科,把 人们对数据的应用从低层次的简单查询,提升到 从数据中挖掘知识,提供决策支持。它包含很多 技术与方法,其中关联规则挖掘是一项非常重要 的技术,是数据挖掘的一个主要研究方向。
  3. 所属分类:其它

    • 发布日期:2009-04-05
    • 文件大小:182272
    • 提供者:shapolang
  1. weka-3-8-2

  2. weka作为一个公开的数据挖掘工作平台,集合了大量能承担数据挖掘任务的机器学习算法,包括对数据进行预处理,分类,回归、聚类、关联规则以及在新的交互式界面上的可视化。Weka is a collection of machine learning algorithms for data mining tasks. The algorithms can either be applied directly to a dataset or called from your own Java code
  3. 所属分类:机器学习

    • 发布日期:2018-03-10
    • 文件大小:50331648
    • 提供者:sinat_36219858
  1. data mining类相关课程-关联规则挖掘算法

  2. 这些资料是我花了几百买的七*月*算法的课程,里面带的课件以及随堂代码,为了csdn的下载积分我也是拼了,这个是一系列课程中的一部分,总起来的课程会超过220M无法上传,需要的朋友们需要一部分一部分下载了。这些资料干货还是蛮多的,毕竟讲课老师是在BAT几个大厂工作过。
  3. 所属分类:算法与数据结构

    • 发布日期:2018-06-25
    • 文件大小:880640
    • 提供者:zm31415
  1. data mining分类思维导图-.rar

  2. 分类是数据挖掘、机器学习和模式识别中一个重要的研究领域。通过对当前数据挖掘中具有代表性的优秀分类算法进行分析和比较,总结出了各种算法的特性,为使用者选择算法或研究者改进算法提供了依据。 解决分类问题的方法很多 ,单一的分类方法主要包括:决策树、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等;另外还有用于组合单一分类方法的集成学习算法,如Bagging和Boosting等。
  3. 所属分类:机器学习

    • 发布日期:2019-07-16
    • 文件大小:261120
    • 提供者:qq_36739040
  1. WEKA中文详细教程.pdf

  2. 本文档是Weka的中文版详细教程。Weka的全名是怀卡托智能分析环境(Waikato Environment for Knowledge Analysis),是一款免费的,非商业化(与之对应的是SPSS公司商业数据挖掘产品--Clementine )的,基于JAVA环境下开源的机器学习(machine learning)以及数据挖掘(data mining)软件。这是一个性价比最高的轻量级大数据分析必学软件,它和它的源代码可在其官方网站下载。IEF WEKA软件 C]Weka GUI Choos
  3. 所属分类:数据库

    • 发布日期:2019-08-03
    • 文件大小:44040192
    • 提供者:byygxs015
  1. 不产生候选的快速投影频繁模式树挖掘算法

  2. FP-growth算法,韩家炜,数据挖掘,关联规则 原版文章:Mining frequent patterns without candidate generation
  3. 所属分类:其它

    • 发布日期:2010-11-01
    • 文件大小:359424
    • 提供者:qq568850188
  1. 一种新的MDP算法的研究

  2. 提出了一种高效的挖掘数据仓库中多维关联规则的MDP算法。MDP算法通过构造一种扩展的前缀树MDP-tree,将数据仓库中的有效信息压缩存储,再使用基于MDP-tree的MDP-mining方法快速发现有趣的关联规则。MDP算法仅需要扫描一次数据仓库,就可以构造出MDP-tree,进而得到所有的关联规则。该算法还具有频繁模式查找简捷、二次查找迅速等优点。通过实验验证了MDP算法的高效性和稳定性,与传统的多维关联规则算法相比有更好的性能。
  3. 所属分类:其它

    • 发布日期:2020-10-18
    • 文件大小:152576
    • 提供者:weixin_38545517
  1. 数据挖掘之Apriori算法详解和Python实现代码分享

  2. 关联规则挖掘(Association rule mining)是数据挖掘中最活跃的研究方法之一,可以用来发现事情之间的联系,最早是为了发现超市交易数据库中不同的商品之间的关系。(啤酒与尿布) 基本概念 1、支持度的定义:support(X–>Y) = |X交Y|/N=集合X与集合Y中的项在一条记录中同时出现的次数/数据记录的个数。例如:support({啤酒}–>{尿布}) = 啤酒和尿布同时出现的次数/数据记录数 = 3/5=60%。 2、自信度的定义:confidence(X–&
  3. 所属分类:其它

    • 发布日期:2021-01-21
    • 文件大小:151552
    • 提供者:weixin_38631197