1. Trang chủ
  2. » Luận Văn - Báo Cáo

Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều

83 12 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 83
Dung lượng 2,18 MB

Nội dung

Ngày đăng: 11/07/2021, 16:52

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] PGS.TS. Võ Đình Bảy (2016). Bài giảng môn Data Mining. Đại học Công Nghệ Tp.HCM Khác
[2] PGS.TS. Đỗ Phúc (2013). Giáo trình khai thác dữ liệu. NXB Đại học quốc gia Tp.HCM Khác
[3] ThS. Lê Đình Thâm (2016). Khai thác dữ liệu với mẫu kích thước lớn. Luận văn thạc sỹ, Đại học Công nghệ TP.Hồ Chí Minh Khác
[4] R. Agrawal, T. Imielinski, A. Swami (1993). Mining Association Rules between Sets of Items in Large Databases. SIGMOD, pp 207–216 Khác
[6] J. Han, M. Kamber (2012). Data Mining: Concepts and Techniques. 3rd edition, M.Kaufmann Khác
[7] M. Khosrow-Pour Editor (2015). Encyclopedia of Information Science and Technology, 3rd edition, Information Resources Management Association, USA Khác
[8] M.J. Zaki, S. Parthasarathy, M. Ogihara, W. Li (1997). New algorithms for fast discovery of association rules. KDD, pp 283-286 Khác
[9] F. Zhu, X. Yan, J. Hany, P S. Yuz, H. Cheng (2007). Mining Colossal Frequent Patterns by Core Pattern Fusion. Pacific-Asia Conference on Knowledge Discovery and Data Mining Khác
[10] M K Sohrabi, A A Barforoush (2012). Efficient colossal pattern mining in high dimensional datasets. Knowledge-Based Systems, Volume 33, pp 41–52 Khác
[11] T-L. Nguyen , B. Vo , V. Snasel (2017). Efịcient Algorithms for Mining Colossal Patterns in High Dimensional Databases. Knowledge-Based Systems, Volume 122, pp 75-89 Khác
[12] M. Dabbiru, M. Shashi (2010). An Efficient Approach to Colossal Pattern Mining. IJCSNS International Journal of Computer Science and Network Security, Volume.10 No.1 Khác

HÌNH ẢNH LIÊN QUAN

- Cơng c mơ hình dữ liệu: mơ hình thực thể - Phương pháp đánh chỉ số và truy cập: cây B+, hàm băm - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
ng c mơ hình dữ liệu: mơ hình thực thể - Phương pháp đánh chỉ số và truy cập: cây B+, hàm băm (Trang 22)
Sử d ng CSDL bảng 2.2, với minSup= 50%. - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
d ng CSDL bảng 2.2, với minSup= 50% (Trang 28)
Hình 2.3 – Minh họa thuật tốn Apriori - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 2.3 – Minh họa thuật tốn Apriori (Trang 29)
Xét CSDL bảng 2.2, với minSup = 3 (50%) - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
t CSDL bảng 2.2, với minSup = 3 (50%) (Trang 31)
Hình 2. 4– Cây IT-tree dùng Tidset với minSup=3 - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 2. 4– Cây IT-tree dùng Tidset với minSup=3 (Trang 32)
Hình 2.5 – Một ví d về mẫu khổng lồ - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 2.5 – Một ví d về mẫu khổng lồ (Trang 38)
Hình 2.10 – Kiểm tra tập đĩng ad - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 2.10 – Kiểm tra tập đĩng ad (Trang 45)
Trong Hình 2.1 0, các bước kiểm tra tập đĩng X= ad. Kết quả ph p AND của - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
rong Hình 2.1 0, các bước kiểm tra tập đĩng X= ad. Kết quả ph p AND của (Trang 45)
Hình 2.12 cho thấy khơng gian tìm kiếm theo chiều ngang với 6 item a, b, e, f, g và h (các item phổ biến trong hình 2.8b)Hình 2.12 - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 2.12 cho thấy khơng gian tìm kiếm theo chiều ngang với 6 item a, b, e, f, g và h (các item phổ biến trong hình 2.8b)Hình 2.12 (Trang 46)
Hình 2.13 – Cây tìm kiếm từ dưới lên theo chiều dọc - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 2.13 – Cây tìm kiếm từ dưới lên theo chiều dọc (Trang 48)
Hình 2.1 4– Cây tìm kiếm từ trên xuống theo chiều dọc - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 2.1 4– Cây tìm kiếm từ trên xuống theo chiều dọc (Trang 49)
Hình 2.15 – Khai thác từ dưới lên - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 2.15 – Khai thác từ dưới lên (Trang 51)
Hình 2.1 6– Cây được cắt tỉa đến mức minSup. - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 2.1 6– Cây được cắt tỉa đến mức minSup (Trang 53)
đến minSup Hình 2.18 – Nú t1 và con của nĩ - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
n minSup Hình 2.18 – Nú t1 và con của nĩ (Trang 54)
Hình 2.1 7– Mức 1 của cây đã lược bỏ - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 2.1 7– Mức 1 của cây đã lược bỏ (Trang 54)
Bảng 3. 1– CSDL mẫu minh họa thực nghiệm - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Bảng 3. 1– CSDL mẫu minh họa thực nghiệm (Trang 58)
Hình 3.3 – Cây tìm kiếm từ dưới lên theo chiều dọc (CSDL Bảng 3.1) - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 3.3 – Cây tìm kiếm từ dưới lên theo chiều dọc (CSDL Bảng 3.1) (Trang 59)
Hình 4.1a – Giao diện màn hình chính của chương trìn hở Step 1 - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.1a – Giao diện màn hình chính của chương trìn hở Step 1 (Trang 70)
Hình 4.1b – Giao diện màn hình chính của chương trìn hở Step 2 - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.1b – Giao diện màn hình chính của chương trìn hở Step 2 (Trang 71)
Hình 4.1c – Giao diện màn hình chính của chương trìn hở Step 3 −RichTextBox (rTxtResult): Chứa các mẫu khổng lồ phổ biến - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.1c – Giao diện màn hình chính của chương trìn hở Step 3 −RichTextBox (rTxtResult): Chứa các mẫu khổng lồ phổ biến (Trang 71)
Hình 4.1a, hình 4.1b và hình 4.1c cho thấy giao diện kết quả thực nghiệm của thuật tốn cải tiến IBVBUC với CSDL (data.txt trong bảng 4.1) minh họa bảng 3.1 - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.1a hình 4.1b và hình 4.1c cho thấy giao diện kết quả thực nghiệm của thuật tốn cải tiến IBVBUC với CSDL (data.txt trong bảng 4.1) minh họa bảng 3.1 (Trang 72)
liệu được thống kê trong bảng 4.2 - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
li ệu được thống kê trong bảng 4.2 (Trang 73)
Hình 4.2– dữ liệu Chess50 transactions - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.2 – dữ liệu Chess50 transactions (Trang 73)
Hình 4.2 cho thấy kết quả so sánh giữa BVBUC và IBVBUC, với dữ liệu Chess cĩ 50 transactions và minColossal = 30, khi minSup = 4 BVBUC thực hiện 0,415 (s) và IBVBUC thực hiện 0,274 (s), khi minSup = 6 BVBUC thực hiện 1,043 (s) và IBVBUC thực hiện 0,867 - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.2 cho thấy kết quả so sánh giữa BVBUC và IBVBUC, với dữ liệu Chess cĩ 50 transactions và minColossal = 30, khi minSup = 4 BVBUC thực hiện 0,415 (s) và IBVBUC thực hiện 0,274 (s), khi minSup = 6 BVBUC thực hiện 1,043 (s) và IBVBUC thực hiện 0,867 (Trang 74)
Hình 4.3 – dữ liệu Accidents80 transactions - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.3 – dữ liệu Accidents80 transactions (Trang 74)
Hình 4.5 – dữ liệu Retails50 transactions - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.5 – dữ liệu Retails50 transactions (Trang 75)
Hình 4.7– dữ liệu Retails100 transactions - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.7 – dữ liệu Retails100 transactions (Trang 76)
Hình 4.8 – dữ liệu Accidents100 transactions - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.8 – dữ liệu Accidents100 transactions (Trang 77)
Hình 4.10 – dữ liệu Mushroom100 transactions với minSup=3% - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.10 – dữ liệu Mushroom100 transactions với minSup=3% (Trang 78)
Hình 4.9 – dữ liệu Accidents100 transactions với minSup=3% - Khai thác mẫu khổng lồ trên cơ sở dữ liệu nhiều chiều
Hình 4.9 – dữ liệu Accidents100 transactions với minSup=3% (Trang 78)

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w